CN117990221A - 一种基于rfid的母线测温自动巡检方法及*** - Google Patents
一种基于rfid的母线测温自动巡检方法及*** Download PDFInfo
- Publication number
- CN117990221A CN117990221A CN202410404699.1A CN202410404699A CN117990221A CN 117990221 A CN117990221 A CN 117990221A CN 202410404699 A CN202410404699 A CN 202410404699A CN 117990221 A CN117990221 A CN 117990221A
- Authority
- CN
- China
- Prior art keywords
- temperature
- value
- time
- inspection
- model
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 39
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 235000019580 granularity Nutrition 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 6
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于RFID的母线测温自动巡检方法及***,该方法包括:在母线槽的若干指定位置安装无源RFID超高频测温标签,将实时监测的母线槽温度值存储至云平台中;采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度训练,得到训练后的模型,利用DARM预测未来时间粒度的测试值,将满足预警条件的测温点加入至巡检任务列表中,巡检人员使用RFID读写器根据巡检任务列表的顺序走到信号指定范围内对母线槽上的当前测温点进行测温,获取对应的温度值。本发明采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度进行线下训练,得到最优的预测模型,在后期的温度预测中可准确的得知母线的温度以及高温异常原因,提高预测准确度。
Description
技术领域
本发明涉及母线温度监控技术领域,具体涉及一种基于RFID的母线测温自动巡检方法及***。
背景技术
母线是输配电***中重要的组成设备,而母线槽是一种传输大电流、大功率的设备,其运行的安全决定这整体的运行安全,其运行的安全性和平稳性是确保输配电***稳定运行的基础,而母线温升指标是判断其运行状态最关键的指标。
由于老化、氧化或接触阻值过大等原因异常放热。如果不能及时被检测到,可能会造成母排熔焊,甚至导致柜体***引起电气火灾等严重后果,造成巨大的人员伤亡和财产损失。因此,有必要对母线温度进行实时监测和预警,及时排除安全隐患。
目前对母线槽的温度监测主要有以下技术:
(1)红外测温技术:其是以电缆通信,需要敷设电缆,并需要测温空间,无法实现母线设备和温度在线检测的一体化集成,如果线路出现故障会造成大面积线路上的测温失效。
(2)光纤光栅测温技术:其采用光纤传到信号,易受到周边环境和电磁干扰,需要敷设较多光纤,光纤布线难度大,成本高,且如果线路出现故障会造成大面积线路上的测温失效。
(3)无线测温技术:采用无线信号受障碍物影响较大,信号较容易衰减;无线测温不能实现实时采集数据的功能,存在安全隐患。
上述三种方法均是硬件上的布控,均没有考虑如何对采集的相关母线历史数据进行数据分析,以至于无法准确获取到母线的故障影响因素,从而导致不能准确及时的对母线数据进行有效预测。
如授权公告号为CN108151897B的发明专利文献公开了一种母线测温***及测温方法,其采用温度监测模块、信号发送接收模块和监控端对接收到的温度进行处理,处理过程较简单为:当温度值超出第一警戒值时,输出第一报警信号,显然的,这样的简单比较无法满足母线温度的各种变化。
公开号为CN116754097 A的发明专利文献公开一种自动分配地址的母线测温***,其通过设备间的配合,实现设备扫描、自动分配地址、拓扑更新,完成全自动的地址分配,无需手动设置,避免了因输入错误导致的整个通讯连接***的不稳定,其考虑的是由于通讯地址的错误导致的连接不稳定问题。
公开号为CN117213650A的发明专利公开了一种基于UHF RFID的母线温度监控***及方法,其具体介绍如何将UHF RFID电子识别标签粘贴在母线对应监测位置上,而并没有给出如何将母线实时运行的温度数据进行存储和解析,从而实现对母线槽不间断的监控,大大降低母线槽运维人员的负担的具体方案。
发明内容
发明目的:为了克服上述现有技术的不足,本发明提供一种基于RFID的母线测温自动巡检方法,该方法包括以下步骤:
S1在母线槽的若干指定位置安装无源RFID超高频测温标签,并将实时监测的母线槽温度值存储至云平台中,所述指定位置为测温点;
S2采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度值进行训练,得到训练后的最优模型,记为时间序列预测模型DARM;
S3在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足预警条件的测温点每间隔时长D1加入至巡检任务列表中;
S4巡检人员使用手持式RFID读写器根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的测温点进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
进一步的,包括:该方法还包括以下步骤:
S5在所述云平台设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值,即上一个测温时间点的温度值,因为温度变化值是同一个测温点当前时间点和上一个时间点的温度差值。
进一步的,包括:若当前巡检获取的温升值大于等于R24或温升值大于等于R25,橙色预警并短信告警,并将该测温点加入重点关注列表,其中,所述温升值=测温点温度值-环境温度值;
若当前巡检获取温度值后,利用温升速度计算公式得到当前温升变化率ts,当ts≥R27时,橙色预警并短信告警,并将该测温点加入重点关注列表。
进一步的,包括:若当前巡检获取的温度值大于等于R22或温升值大于等于R26,红色预警并立即语音报警,同时联动继电保护装置实现跳闸保护,并短信告警,同时将当前采集数据与告警事件保存至云端数据库;
对于重点关注列表的测温点每间隔D2将测温点加入巡检任务列表。
进一步的,包括:所述步骤S2,包括步骤S21即对云平台中保存的母线槽历史温度值进行处理,得到DeepAR时间序列预测模型的协变量数值,具体包括:
S211选取母线槽两年内每小时的历史温度值作为训练数据集,记为,表示测温点i从时刻1到时刻/>的温度值;
S212将母线槽从当前时刻T的前小时的历史温度值作为预测数据集,记为,其表示测温点i从时刻/>到时刻T的温度值;
S213将每8个小时作为一个滑动窗口,逐步迭代训练,直至7个连续整日,即共训练21个训练样本个数batch size;
S214将测温点的标签位置、设备类型、标签使用时长、24小时内最大温度值、24小时内平均温度值、当前年份、当前月份、当前星期作为协变量,记为,表示测温点i从时刻1到时刻T的所有协变量数值。
进一步的,包括:所述步骤S2,还包括步骤S22:采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度值进行训练,具体包括以下步骤:
S221根据预测时间点前24小时的实时温度值,利用Fisher最优分割法得到温度变化值峰谷时段,记前24小时的温度值为,即每分钟监测一次温度值,则Fisher最优分割法中,总方差为/>,/>为前24小时温度值的平均值,;
S222将温度值形成的温度数据集分为2组,即分类数为2,则,
其中,是第k个分类的温度均值,/>为第k个分类中的第i个温度值,记为组内离差平方和;
定义,/>为分类数为2的最小组内离差平方和,即当/>最小时,对应
的分割法为最优分法;假设分为2组,可以理解为将一天的温度值找一个分割点,最小的对应的分割点就是最优分割点。
S223将最优分割后得到的两个时间段称为负荷时段,并将所述负荷时段作为协变量加入DeepAR时间序列预测模型开始训练;
如根据上述分割方法分为3组,其实就是两个最优分割点,得到的是13:00和19:30,然后就给这三组取个名字,叫做负荷上升期、高负荷工作期、负荷下降期。
设置预期温度误差目标为RMSE,根据上述数据利用DeepAR时间序列预测模型来进行训练测试,在模型预测误差不超过预设阈值RMSE时停止训练,此时预测误差值记为,其中,n是总样本数,/>是第i个样本的温度预测值,是第i个样本的温度实际值,若模型误差值超过预设阈值RMSE,则调整神经网络模型训练参数或增加训练样本,并重新训练模型,直至预测误差值满足预设阈值。
进一步的,包括:步骤S22还包括:
S224将温度数据集分3组,按照步骤S222的方法计算得到分类数为3的最小组内离差平方和;然后将最优分割后得到的时段作为协变量加入DeepAR模型开始训练,根据所述步骤S223的方法计算得到预测误差值/>,若模型误差值超过预设阈值RMSE,则调整神经网络模型训练参数或增加训练样本,并重新训练模型,直至预测误差值满足预设阈值;
S225再依次将温度数据集依次分为4-6组,分别计算对应的最小组内离差平方和以及预测误差值,并训练对应的模型,得到对应分组下的DeepAR模型。
S226此时,记模型综合目标衰减速率为,其中,,/>,/>,取/>最大时对应的分类数k为最优分类数,该最优分类数对应的模型为时间序列预测模型DARM;
S227每间隔半小时重新利用最新温度数据来更新DARM,每间隔1周重新利用最新温度数据来更新最优分类数及其DARM。
对于每个分类数要模型训练,然后对于每个分类数去计算的,最后,找一个最合理的分类数作为最终的分类数,就是用/>的值变化,如果一直增大就说明模型误差一直在减小,如果不变或者减小了说明模型误差增加了,那对应最大的那个/>的模型和分类数就是最优的。
进一步的,包括:所述步骤S3中,将预警参数和所述测试值进行分析处理,将满足条件的测温点每间隔时长D1加入至巡检任务列表中,具体包括:
所述预警参数包括:巡检触发温度预警值R11、巡检触发温度偏差预警值R110、巡检触发温度变化预警值R12、巡检触发温升预警值R13,所述测试值包括:利用时间序列预测模型DARM预测未来3个时间粒度的温度值记为t1,t2,t3,即未来预测时间步,往后预测3步,及对应的方差值sigma1, sigma2, sigma3,并计算对应的温度变化预测值tv2,tv3,即tv2=t2-t1,tv3=t3-t2,记上一次环境温度值为t0,从而计算对应的温升预测值tr1,tr2,tr3,即同一时间点的母线温度值减去环境温度值;
其中,分析处理的过程包括:
当max(t1,t2,t3)≥R11或max(sigma1, sigma2, sigma3) ≥R110或max(tv2,tv3)≥R12或max(tr1,tr2,tr3)≥R13时,将当前测温点加入巡检任务列表,巡检完成后红色标签消失,之后每间隔D1将对应测温点加入巡检任务列表中。
另一方面,本发明还提供一种基于RFID的母线测温自动巡检***,所述***包括云平台、云端数据库、处理器、无源RFID超高频测温标签以及手持式RFID读写器,所述无源RFID超高频测温标签安装在母线槽的指定位置安装,所述云平台用于存储所述无源RFID超高频测温标签实时监测的母线槽温度值,所述指定位置为测温点;
所述处理器获取所述云平台中保存的历史母线槽温度值并采用DeepAR时间序列预测模型进行训练,得到训练后的最优模型,记为时间序列预测模型DARM,每间隔半小时重新利用最新温度数据来更新DARM,每间隔1周重新利用最新温度数据来更新最优分类数及其DARM;
在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足条件的测温点每间隔时长D1加入至巡检任务列表中;
巡检人员使用所述手持式RFID读写器根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的当前测温点进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
进一步的,包括:该***还包括:
所述云平台设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且满足D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度进行线下训练,得到最优的DeepAR时间序列预测模型,因此在后期的温度预测中可以准确的得知母线的温度以及高温异常原因,提高预测准确度;
(2)本发明将获取的温度数据集进行负载分时最优划分,再根据分组得到最优的DeepAR时间序列预测模型,这使得模型增加了协变量,从而能够训练出特征规律,使得该模型可以根据母线槽的温度变化趋势对应训练,更加符合母线槽温度特性,因此,使得训练后模型的预测准确度更高。
(3)本发明采用RFID配套测温标签,搭配使用手持式RFID读写器的方式,提供基于机器人/人工巡检的母线槽安全服务,包括视距外母线槽信息查询、母线槽温度数值化及异常报警、温度巡检记录自动生成等等。本发明克服传统感温贴测温方式所面临的无数据、无记录、不可目视遮挡、维护困难等条件限制,以低成本保障母线槽设备稳定运行。
附图说明
图1为本发明一实施例所述的基于RFID的母线测温自动巡检方法流程图;
图2为本发明一实施例所述的模型训练的方法流程图;
图3为本发明另一实施例所述的对母线温度进行分级预警的方法流程图;
图4为本发明另一实施例所述的基于RFID的母线测温自动巡检方法流程图;
图5为本发明另一实施例所述的基于RFID的母线测温自动巡检方法流程图;
图6为本发明一实施例所述的母线槽实际温度变化趋势图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。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他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于RFID的母线测温自动巡检方法,该方法包括以下步骤:
S1在母线槽的若干个指定位置安装无源RFID超高频测温标签,并将实时监测的母线槽温度值存储至云平台中,其中指定位置为测温点。
无源RFID超高频测温标签由耦合元件及芯片组成,每个标签具有唯一的电子编码,具备测温、身份证明、RFID通讯等功能。本实施例中采用DQC-BSMX100配套测温标签,能承受超过220℃的高温,具体参数为:
测温方式:UHF RFID无源无线;
温度范围:-40℃ ~ 150℃;
温度误差:±(标准读数×1%+1℃);
分辨率:<0.1℃;
测量重复性要求(RSD):<1%;
读取距离:≥7m(室温下);
采样周期:≤20ms(室温下);
工作频段:902MHz~928MHz;
使用寿命:>10年(室温下);
耐温性能:-40℃~200℃;
防护等级:IP66。
其中,下文的步骤S2和S3为模型训练和测温点温度的预测步骤,步骤S4为巡检人员根据模型得到的异常测温点,逐个测温点的实际测温,与模型预测的温度比对分析后,可以再次对模型更新,提高模型的准确度,另一方面,也可以检查现场情况,防止意外事件的发生。
S2采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度值进行训练,得到训练后的最优模型,记为时间序列预测模型DARM。
如图2所示,其中,步骤S2包括:
步骤S21:对云平台中保存的母线槽历史温度值进行处理,得到DeepAR时间序列预测模型的协变量数值,具体包括:
S211选取母线槽两年内每小时的历史温度值作为训练数据集,记为,表示测温点i从时刻1到时刻/>的温度值;例如从2022年1月1日~2023年12月31日。
S212将母线槽从当前时刻T的前小时的历史温度值作为预测数据集,记为,其表示测温点i从时刻/>到时刻T的温度值;
S213将每8个小时作为一个滑动窗口,逐步迭代训练,直至7个连续整日,即共训练21个batch size;
本实施例中,将母线槽从当前(例如2024年1月1日)开始的前8个小时的历史温度数据作为预测数据集,记为,表示测温点i从时刻/>到时刻T的温度数值;并每8个时段作为一个滑动窗口,逐步迭代训练,直至7个连续整日(例如2024年1月7日)的24:00,即只预测8个时间步,单位:小时,共训练21个batch size。对于其中的缺失值用其前后三个时段的温度均值来填补。
S214将测温点的标签位置、设备类型、标签使用时长(单位:季度)、24小时内最大温度值、24小时内平均温度值、当前年份、当前月份、当前星期(工作日、非工作日)作为协变量,记为,表示测温点i从时刻1到时刻T的所有协变量数值。
步骤S22:利用Fisher最优分割法和DeepAR时间序列预测模型同时训练所有测温点温度时间序列,具体包括以下步骤:
S221根据预测时间点前24小时的实时温度值,利用Fisher最优分割法得到温度变化值峰谷时段,记前24小时的温度值为,即每分钟监测一次温度值,则Fisher最优分割法中,总方差为/>,/>为前24小时温度值的平均值,;
S222将温度值形成的温度数据集分为2组,即分类数为2,则,其中,/>是第k个分类的温度均值,/>为第k个分类中的第i个温度值,记为组内离差平方和;
定义,/>为分类数为2的最小组内离差平方和,即当/>最小时,对应的分割法为最优分法;通过最小化/>得到最优分法,使同类样本间的差异最小,各类别样本间的差异最大。
S223将最优分割后得到的时段称为负荷时段,并将所述负荷时段作为协变量加入DeepAR时间序列预测模型开始训练;例如负荷上升期(8:00-19:00),负荷下降期(19:30-8:00)。
设置预期温度误差目标为RMSE,根据上述数据利用DeepAR时间序列预测模型来进行训练测试,在模型预测误差不超过预设阈值RMSE时停止训练,此时预测误差值记为,其中,n是总样本数,/>是第i个样本的温度预测值,/>是第i个样本的温度实际值,若模型误差值超过预设阈值RMSE,则调整神经网络模型训练参数或增加训练样本,并重新训练模型,直至预测误差值满足预设阈值。
S224将温度数据集分3组,即分类数为3,按照步骤S222的方法计算得到分类数为3的最小组内离差平方和;然后将最优分割后得到的时段作为协变量加入DeepAR模型开始训练,根据所述步骤S223的方法计算得到预测误差值/>;并进行训练模型,直至预测误差值满足预设阈值;
此处的最优分割为根据上述分割方法分为3组,其实就是两个最优分割点,得到的是13:00和19:30,然后就给这三组取个名字,叫做负荷上升期、高负荷工作期、负荷下降期。
S225再依次将温度数据集依次分为4-6组,分别计算对应的最小组内离差平方和以及预测误差值;并进行训练模型,直至预测误差值满足预设阈值。
S226此时,记模型综合目标衰减速率为,其中,,/>,/>,取/>最大时对应的分类数k为最优分类数,该最优分类数对应的模型为时间序列预测模型DARM。
S227每间隔半小时重新利用最新温度数据来更新DARM,每间隔一周重新利用最新温度数据来更新最优分类数及其DARM。
如图6所示为某个月中的母线槽实际温度趋势图,从图中可看出分割时间段可为4段,分别为:(00:00~8:00),(8:00~13:00),(13:00~19:00),(19:00~00:00)且根据实际温度,大部分的分割时间段不会超过6,且大于2,因此,本发明设置的分类范围为2~6,本发明实施例设置分类的目的是使得时间序列预测模型更加符合母线槽温度的特征,经过训练可得到具备最优分割点的规律,即模型增加了协变量,能够训练出特征规律,使得采用模型预测母线槽温度更加精准。
S3在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足条件的测温点每间隔时长D1加入至巡检任务列表中。
步骤S3中,将预警参数和所述测试值进行分析处理,将满足条件的测温点每间隔时长D1加入至巡检任务列表中,具体包括:
所述预警参数包括:巡检触发温度预警值R11、巡检触发温度偏差预警值R110、巡检触发温度变化预警值R12、巡检触发温升预警值R13,所述测试值包括:利用时间序列预测模型DARM预测未来3个时间粒度的温度值记为t1,t2,t3及对应的方差值sigma1, sigma2,sigma3,并计算对应的温度变化预测值tv2,tv3,记上一次环境温度值为t0,从而计算对应的温升预测值tr1,tr2,tr3;
其中,分析处理的过程包括:
当max(t1,t2,t3)≥R11或max(sigma1, sigma2, sigma3) ≥R110或max(tv2,tv3)≥R12或max(tr1,tr2,tr3)≥R13时,将当前测温点加入巡检任务列表,巡检完成后红色标签消失,之后每间隔D1将对应测温点加入巡检任务列表中。
S4巡检人员使用手持式RFID读写器先将终端对着室温测温点(例如厂房门口)的RFID测温标签扫描,获取环境温度值,然后根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的测温点一一进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
其中,手持式RFID读写器:具有RFID标签无线读取功能,各参数见下表:
手持式RFID读写器获取RFID测温标签返回的母线槽温度值后,将数据记录保存到云端数据库。
进一步的,在本发明的另一个实施例中,为了进一步提高预测准确度,该方法还包括对母线温度进行分级预警,如图3所示,采取的方法包括以下步骤:
S5在所述云平台设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值。
若当前巡检获取的温升值大于等于R24或温升值大于等于R25,橙色预警并短信告警,并将该测温点加入重点关注列表,其中,所述温升值=测温点温度值-环境温度值;
若当前巡检获取温度值后,利用温升速度计算公式得到当前温升变化率ts,当ts≥R27时,橙色预警并短信告警,并将该测温点加入重点关注列表。
若当前巡检获取的温度值大于等于R22或温升值大于等于R26,红色预警并立即语音报警,同时联动继电保护装置实现跳闸保护,并短信告警,同时将当前采集数据与告警事件保存至云端数据库;
对于重点关注列表的测温点每间隔D2将测温点加入巡检任务列表。
如图4所示,本发明的另一实施例所述的巡检方法还包括:
S6云平台使用巡检保存的温度数据和告警记录进行数据统计分析和图表趋势分析与对比。主要提供温度预警/报警条件设置、巡检记录查询、实时温度展示、历史温度对比及曲线分析、超温告警、温升告警、报警确认、重点关注列表展示、告警记录查询等服务,支持以母线模型模式展示测温点状态;测温点详情查看温度值、温升值等。
如图5所示,本发明的另一实施例所述的巡检方法还包括:
S7可选的,当厂房无巡检人员看管时,可设置巡检机器人(带有RFID读写器)自动巡检,机器人根据巡检任务列表按顺序移动到指定范围内自动匹配标签,停留10秒,直至读取到温度数据才离开,获取温度数据并上传存储到云平台。同时利用告警相关计算规则自动告警,完成步骤S5-S6。
另一方面,本发明还提供基于RFID的母线测温自动巡检***,所述***包括云平台、云端数据库、处理器、无源RFID超高频测温标签以及手持式RFID读写器,所述无源RFID超高频测温标签安装在母线槽的指定位置安装,云平台用于存储所述无源RFID超高频测温标签实时监测的母线槽温度值,所述指定位置为测温点;
所述处理器获取所述云平台中保存的历史母线槽温度值并采用DeepAR时间序列预测模型进行训练,得到训练后的最优模型,记为时间序列预测模型DARM;
在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足条件的测温点每间隔时长D1加入至巡检任务列表中;
巡检人员使用所述手持式RFID读写器根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的当前测温点进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
所述云平台上还设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值。
若当前巡检获取的温升值大于等于R24或温升值大于等于R25,橙色预警并短信告警,并将该测温点加入重点关注列表,其中,所述温升值=测温点温度值-环境温度值;
若当前巡检获取温度值后,利用温升速度计算公式得到当前温升变化率ts,当ts≥R27时,橙色预警并短信告警,并将该测温点加入重点关注列表。
若当前巡检获取的温度值大于等于R22或温升值大于等于R26,红色预警并立即语音报警,同时联动继电保护装置实现跳闸保护,并短信告警,同时将当前采集数据与告警事件保存至云端数据库;
对于重点关注列表的测温点每间隔D2将测温点加入巡检任务列表。
云平台使用巡检保存的温度数据和告警记录进行数据统计分析和图表趋势分析与对比。主要提供温度预警/报警条件设置、巡检记录查询、实时温度展示、历史温度对比及曲线分析、超温告警、温升告警、报警确认、重点关注列表展示、告警记录查询等服务,支持以母线模型模式展示测温点状态;测温点详情查看温度值、温升值等。
可选的,当厂房无巡检人员看管时,可设置巡检机器人自动巡检,该巡检机器人带有RFID读写器,机器人根据巡检任务列表按顺序移动到指定范围内自动匹配标签,停留10秒,直至读取到温度数据才离开,获取温度数据并上传存储到云端。同时利用告警相关计算规则自动告警。
本发明所述的基于RFID的母线测温自动巡检***的其他技术特征与基于RFID的母线测温自动巡检方法相似,在此不再赘述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于RFID的母线测温自动巡检方法,其特征在于:该方法包括以下步骤:
S1在母线槽的若干指定位置安装无源RFID超高频测温标签,并将实时监测的母线槽温度值存储至云平台中,所述指定位置为测温点;
S2采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度值进行训练,得到训练后的最优模型,记为时间序列预测模型DARM;
S3在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足预警条件的测温点每间隔时长D1加入至巡检任务列表中;
S4巡检人员使用手持式RFID读写器根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的测温点进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
2.根据权利要求1所述的基于RFID的母线测温自动巡检方法,其特征在于:该方法还包括以下步骤:
S5在所述云平台设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值。
3.根据权利要求2所述的基于RFID的母线测温自动巡检方法,其特征在于:若当前巡检获取的温升值大于等于R24或温升值大于等于R25,橙色预警并短信告警,并将该测温点加入重点关注列表,其中,所述温升值=测温点温度值-环境温度值;
若当前巡检获取温度值后,利用温升速度计算公式得到当前温升变化率ts,当ts≥R27时,橙色预警并短信告警,并将该测温点加入重点关注列表。
4.根据权利要求3所述的基于RFID的母线测温自动巡检方法,其特征在于:若当前巡检获取的温度值大于等于R22或温升值大于等于R26,红色预警并立即语音报警,同时联动继电保护装置实现跳闸保护,并短信告警,同时将当前采集的数据与告警事件保存至云端数据库;
对于重点关注列表的测温点每间隔D2将测温点加入巡检任务列表。
5.根据权利要求1-4任一项所述的基于RFID的母线测温自动巡检方法,其特征在于:所述步骤S2包括步骤S21:对云平台中保存的母线槽历史温度值进行处理,得到DeepAR时间序列预测模型的协变量数值,具体包括:
S211选取母线槽两年内每小时的历史温度值作为训练数据集,记为,表示测温点i从时刻1到时刻/>的温度值;S212将母线槽从当前时刻T的前/>小时的历史温度值作为预测数据集,记为/>,其表示测温点i从时刻/>到时刻T的温度值;
S213将每8个小时作为一个滑动窗口,逐步迭代训练,直至7个连续整日,即首次共训练21个训练样本个数;
S214将测温点的标签位置、设备类型、标签使用时长、24小时内最大温度值、24小时内平均温度值、当前年份、当前月份、当前星期作为协变量,记为,表示测温点i从时刻1到时刻T的所有协变量数值。
6.根据权利要求5所述的基于RFID的母线测温自动巡检方法,其特征在于:所述步骤S2,还包括步骤S22:采用DeepAR时间序列预测模型对云平台中保存的母线槽历史温度值进行训练,具体包括以下步骤:
S221根据预测时间点前24小时的实时温度值,利用Fisher最优分割法得到温度变化值峰谷时段,记前24小时的温度值为,即每分钟监测一次温度值,则Fisher最优分割法中,总方差为/>,/>为前24小时温度值的平均值,;
S222将温度值形成的温度数据集分为2组,即分类数为2,则;其中,是第k个分类的温度均值,/>为第k个分类中的第i个温度值,记为组内离差平方和;
定义,其中,/>为分类数为2的最小组内离差平方和,即当/>最小时,对应的分割法为最优分法;
S223将最优分割后得到的两个时间段称为负荷时段,并将所述负荷时段作为协变量加入DeepAR时间序列预测模型开始训练;
设置预期温度误差目标为RMSE,根据上述数据利用DeepAR时间序列预测模型来进行训练测试,在模型预测误差不超过预设阈值RMSE时停止训练,此时预测误差值记为,其中,n是总样本数,/>是第i个样本的温度预测值,/>是第i个样本的温度实际值,若模型误差值超过预设阈值RMSE,则调整神经网络模型训练参数或增加训练样本个数,并重新训练模型,直至预测误差值满足预设阈值。
7.根据权利要求6所述的基于RFID的母线测温自动巡检方法,其特征在于:步骤S22还包括:
S224将温度数据集分3组,按照步骤S222的方法计算得到分类数为3的最小组内离差平方和;然后将最优分割后得到的时段作为协变量加入DeepAR模型开始训练,根据所述步骤S223的方法计算得到预测误差值/>,若模型误差值超过预设阈值RMSE,则调整神经网络模型训练参数或增加训练样本,并重新训练模型,直至预测误差值满足预设阈值;
S225再依次将温度数据集依次分为4-6组,分别计算对应的最小组内离差平方和以及预测误差值,并训练对应的模型,得到对应分组下的DeepAR模型;
S226此时,记模型综合目标衰减速率为,其中,,/>,/>,取/>最大时对应的分类数k为最优分类数,该最优分类数对应的模型为时间序列预测模型DARM;
S227每间隔半小时重新利用最新温度数据来更新DARM,每间隔一周重新利用最新温度数据来更新最优分类数及其DARM。
8.根据权利要求1-4任一项所述的基于RFID的母线测温自动巡检方法,其特征在于:所述步骤S3中,将预警参数和所述测试值进行分析处理,将满足预警条件的测温点每间隔时长D1加入至巡检任务列表中,具体包括:
所述预警参数包括:巡检触发温度预警值R11、巡检触发温度偏差预警值R110、巡检触发温度变化预警值R12、巡检触发温升预警值R13,所述测试值包括:利用时间序列预测模型DARM预测未来3个时间粒度的温度值记为t1,t2,t3及对应的方差值sigma1, sigma2,sigma3,并计算对应的温度变化预测值tv2,tv3,记上一次环境温度值为t0,从而计算对应的温升预测值tr1,tr2,tr3,即同一时间点的母线温度值减去环境温度值;
其中,所述分析处理的过程包括:
当max(t1,t2,t3)≥R11或max(sigma1, sigma2, sigma3) ≥R110或max(tv2,tv3)≥R12或max(tr1,tr2,tr3)≥R13时,将当前测温点加入巡检任务列表,巡检完成后红色标签消失,之后每间隔D1将对应测温点加入巡检任务列表中。
9.一种基于RFID的母线测温自动巡检***,其特征在于:所述***包括云平台、云端数据库、处理器、无源RFID超高频测温标签以及手持式RFID读写器,所述无源RFID超高频测温标签安装在母线槽的指定位置,所述云平台用于存储所述无源RFID超高频测温标签实时监测的母线槽温度值,所述指定位置为测温点;
所述处理器获取所述云平台中保存的历史母线槽温度值并采用DeepAR时间序列预测模型进行训练,得到训练后的最优模型,记为时间序列预测模型DARM;
在所述云平台上设置预警参数和巡检间隔时长D1,并利用所述时间序列预测模型DARM预测未来3个时间粒度的测试值,将预警参数和所述测试值进行分析处理,将满足预警条件的测温点每间隔时长D1加入至巡检任务列表中;
巡检人员使用所述手持式RFID读写器根据所述巡检任务列表的顺序走到信号指定范围内对母线槽上的测温点进行无线测温,从而获取对应的温度值,并将所述温度值记录保存在云端数据库中。
10.根据权利要求9所述的基于RFID的母线测温自动巡检***,其特征在于:该***还包括:
所述云平台设置高温告警阈值R21、超高温告警阈值R22;温度变化告警阈值R23、温度变化告警阈值R24;温升告警阈值R25、温升告警阈值R26,温升速度告警阈值R27,重点对象巡检间隔D2,且满足D2<D1,R22> R21,R24> R23,R26> R25;
若当前巡检获取的温度值大于等于R21或温度变化值大于等于R23,黄色预警并短信告警,其中,温度变化值=测温点当前时间点测温温度值-测温点上一个时间点测温温度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404699.1A CN117990221A (zh) | 2024-04-07 | 2024-04-07 | 一种基于rfid的母线测温自动巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404699.1A CN117990221A (zh) | 2024-04-07 | 2024-04-07 | 一种基于rfid的母线测温自动巡检方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117990221A true CN117990221A (zh) | 2024-05-07 |
Family
ID=90896240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410404699.1A Pending CN117990221A (zh) | 2024-04-07 | 2024-04-07 | 一种基于rfid的母线测温自动巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117990221A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151897A (zh) * | 2017-12-29 | 2018-06-12 | 南通市盈思仪器科技有限公司 | 母线测温***及测温方法 |
US20210064689A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Unsupervised multivariate time series trend detection for group behavior analysis |
CN115361525A (zh) * | 2022-08-15 | 2022-11-18 | 浙江省一建建设集团有限公司 | 一种对高空起重机械巡检作业的监控***及其方法 |
CN116307507A (zh) * | 2023-02-01 | 2023-06-23 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于过热器壁温预测的多目标粒子群配煤方法 |
CN116698227A (zh) * | 2023-07-13 | 2023-09-05 | 中冶南方工程技术有限公司 | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** |
CN116754097A (zh) * | 2023-06-14 | 2023-09-15 | 南京大全自动化科技有限公司 | 一种自动分配地址的母线测温*** |
CN117213650A (zh) * | 2023-08-31 | 2023-12-12 | 镇江西门子母线有限公司 | 一种基于uhf rfid的母线温度监控***及方法 |
CN117609861A (zh) * | 2023-11-29 | 2024-02-27 | 国网上海市电力公司 | 一种可用于变电站电气设备温度预测的bp神经网络算法和测温*** |
CN117761416A (zh) * | 2023-07-27 | 2024-03-26 | 南京信息职业技术学院 | 一种母线槽在线监测*** |
-
2024
- 2024-04-07 CN CN202410404699.1A patent/CN117990221A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151897A (zh) * | 2017-12-29 | 2018-06-12 | 南通市盈思仪器科技有限公司 | 母线测温***及测温方法 |
US20210064689A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Unsupervised multivariate time series trend detection for group behavior analysis |
CN115361525A (zh) * | 2022-08-15 | 2022-11-18 | 浙江省一建建设集团有限公司 | 一种对高空起重机械巡检作业的监控***及其方法 |
CN116307507A (zh) * | 2023-02-01 | 2023-06-23 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于过热器壁温预测的多目标粒子群配煤方法 |
CN116754097A (zh) * | 2023-06-14 | 2023-09-15 | 南京大全自动化科技有限公司 | 一种自动分配地址的母线测温*** |
CN116698227A (zh) * | 2023-07-13 | 2023-09-05 | 中冶南方工程技术有限公司 | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** |
CN117761416A (zh) * | 2023-07-27 | 2024-03-26 | 南京信息职业技术学院 | 一种母线槽在线监测*** |
CN117213650A (zh) * | 2023-08-31 | 2023-12-12 | 镇江西门子母线有限公司 | 一种基于uhf rfid的母线温度监控***及方法 |
CN117609861A (zh) * | 2023-11-29 | 2024-02-27 | 国网上海市电力公司 | 一种可用于变电站电气设备温度预测的bp神经网络算法和测温*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN105261079A (zh) | 便携式智能电力巡检装置 | |
CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及*** | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维*** | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测*** | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测*** | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及*** | |
CN117990221A (zh) | 一种基于rfid的母线测温自动巡检方法及*** | |
CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
CN116896166A (zh) | 一种城市电缆的数字孪生全景管控***及方法 | |
CN116562672A (zh) | 一种巡检工作质量评价方法及*** | |
CN114063601A (zh) | 一种基于人工智能的设备状态诊断***及方法 | |
CN117932278B (zh) | 一种智慧城市环保监控***及方法 | |
CN116896167B (zh) | 一种基于人工智能的输电线路动态增容监测及预警方法 | |
CN111738382B (zh) | 一种基于rfid的资产管理方法及资产管理*** | |
CN116773238B (zh) | 一种基于工业数据的故障监测方法及*** | |
Kim et al. | A study on fire prediction method using air quality measurement sensors of smart indoor parking lot | |
Li et al. | Health Monitoring Framework for Weather Radar Based on Long Short‐Term Memory Network with a Real Case Study | |
CN117053860A (zh) | 一种高压电机综合智能在线监测方法 | |
CN118095751A (zh) | 基于互联网的矿企生产状态监管*** | |
CN117455028A (zh) | 一种企业运维管理***及其监控方法 |
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 |