CN108765189B - 基于智能诊断算法的开放式局部放电大数据管理系统 - Google Patents
基于智能诊断算法的开放式局部放电大数据管理系统 Download PDFInfo
- Publication number
- CN108765189B CN108765189B CN201810458826.0A CN201810458826A CN108765189B CN 108765189 B CN108765189 B CN 108765189B CN 201810458826 A CN201810458826 A CN 201810458826A CN 108765189 B CN108765189 B CN 108765189B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- diagnosis
- discharge
- database
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 110
- 238000013523 data management Methods 0.000 title claims abstract description 26
- 208000028659 discharge Diseases 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000012774 diagnostic algorithm Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013479 data entry Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000010200 validation analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000007670 refining Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于智能诊断算法的开放式局部放电大数据管理系统，包括数据接入模块、数据转换模块、数据库和诊断分析模块，数据接入模块用于提供标准的数据输入接口以接收检测数据；数据转换模块对数据接入模块接收的数据进行规约转换，并归一化为平台要求的数据格式；数据库,包括数据分级存储模块，数据分级存储模块包括基础数据库和高级数据库；诊断分析模块与数据库相连，用于判断待诊断数据的放电诊断结果以及利用高级数据库中的高级数据集训练智能诊断算法。本发明对智能诊断算法进行训练优化，为诊断提供了数据支撑；开放式的数据管理使得用户可将数据和诊断算法放入平台中验证；拥有多重诊断机制，确保了诊断结果的可靠性和准确性。
Description
技术领域
本发明属于数据管理领域，具体涉及一种基于智能诊断算法的开放式局部放电大数据管理系统。
背景技术
随着国家电网规模的不断扩大和发展以及国家智能电网建设的全面展开，维护电力系统的各电力设备安全稳定运行的要求也进一步提高。其中，采用局部放电带电检测的方法对高压电力设备的绝缘状况进行分析和评估，并以分析评估结果为依据制定相应检修策略的思路已被广泛应用。
随着局部放电带电检测工作的发展，特别是近年来有偿服务检测的大规模发展，检测的局部放电数据量逐年增加并不断积累，形成了电力用户的一项数据资产。目前对于这项规模庞大的无形资产如何进行有效地管理，并发挥其潜在的价值，各地电力公司都在寻找和探索相应的方法和途径。其中最通用的方法之一就是建立数据管理系统，对数据进行管理，从传统上的纸质管理转变为数字化管理，但是多年的实际操作发现这种管理仍然存在诸多问题：1、由于局部放电检测的电力设备对象种类不同，导致局部放电检测的数据文件多样，包括数据文件、图片文件和数据记录表等；2、数据本身的类型多样，包括脉冲序列相位分布图PRPS/局部放电相位分布图PRPD数据、接触式超声波的四参量数据和开关柜的地电波数据等，而且随着检测技术的不断提高和发展，新的数据也在不断产生，如非接触式超声波的录音文件；3、对于局部放电检测的设备厂家较多，产品种类也较多，导致设备的数据接口、数据规约格式不统一、不兼容且检测值没有合理的归一化处理和标定。
以上的种种问题导致局部放电检测数据管理复杂，难以管理和运用，往往导致对数据管理的搁置或运行维护的缺失，使得局部放电数据这种“无形资产”不但没有随着信息挖掘技术的发展“快速增值”，反而伴随着“流失”的风险。
数据的分析和运用方面，在多年的应用中也发现了一些问题：1.数据分析的可靠性和准确性不高，特别表现在数据分析结果的差异，不同厂家对同一个检测数据的分析结果大相径庭，对于制定合理的检修策略无法起到应有的参考作用；2.用户无法将自己的诊断方法或者数据放入数据管理系统中进行检测和验证；3.目前局部放电信号特征的判断标准过于单一和固式化，例如阀值比较、谱图，对于数据隐含的信息挖掘仍显不足；4局部放电数据的采集与处理由于采集率等硬件原因导致精度不足或信息损失；5在局部放电分析研究中缺乏有效性高、可靠性好、相关性强、可循环利用和补充以及信号完整且可溯源的数据，这导致局部放电分析研究不能做到持久有效、循环性的迭代优化。因此需要建立一种可以克服上述缺点的数据管理系统。
发明内容
为解决上述问题，本发明提出一种基于智能诊断算法的开放式局部放电大数据管理系统，实现局部放电大数据的管理，解决局部放电大数据难以被利用的技术问题。
本发明采用如下技术方案，一种基于智能诊断算法的开放式局部放电大数据管理系统，包括数据接入模块、数据转换模块、数据库和诊断分析模块，其中：
数据接入模块，用于提供标准的数据输入接口以接收数据；
数据转换模块，对数据接入模块接收的数据进行规约转换，并归一化为平台要求的数据格式；
数据库,包括数据分级存储模块，数据分级存储模块用于存储经过数据转换模块转换的数据和数据接入模块接收的不需转换的数据,包括基础数据库和高级数据库；所述基础数据库中存储的基础数据集包括典型故障实验数据、案例数据和日常巡检数据，通过诊断分析模块判断日常巡检数据是否有故障，确认为故障的数据转存入案例数据；通过数学模型对典型故障实验数据和案例数据进行提炼，提炼出用于诊断的特征，特征与对应的放电诊断结果作为高级数据集存储于高级数据库中；
诊断分析模块，与数据库相连，用于判断待诊断数据的放电诊断结果以及利用高级数据库中的高级数据集训练智能诊断算法；使智能诊断算法在诊断分析日常巡检数据时能及时准确地发现故障。
优选地，所述数学模型为基于最优小波包变换的数学模型，提取出用于诊断的特征系数集合，考虑到提取的特征系数的维数都较高，不利于诊断分析模块进行分析判断，特征系数维数过高会导致过拟合，影响分析判断的准确，因此需要将主要的、能重点体现数据信息的特征系数进行提炼。对特征系数使用核主分量分析，运用核函数映射的基本方式进行特征系数的降维，即进行提炼。
优选地，所述诊断分析模块包括快速诊断单元、智能诊断单元和深度诊断单元，三个诊断单元实现分类特征由少到多、智能诊断算法由浅到深、数据量和计算维度由典型到全面的分层递进诊断：
快速诊断单元，用于提取待诊断数据的聚类参数，并与高级数据库中的放电类型的典型聚类参数值进行对比，得到放电诊断结果；
智能诊断单元，用于提取待诊断数据的诊断特征，引用不同智能诊断算法分析特征，分别得到分析结果，对不同分析结果的按照一定的权重加权计算后得到放电诊断结果；
深度诊断单元，用于将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别。
优选地，智能诊断单元基于相位-平均放电量、相位-最大放电量和相位-放电次数三张谱图进行统计运算，提取待诊断数据的诊断特征包括：每个半周波的偏斜度、陡峭度、局部峰点数、互相关系数和放电因数。
优选地，其特征在于，智能诊断算法包括支持向量机SVM、粒子群聚类算法和正态贝叶斯分类器。
优选地，深度诊断单元中将待诊断数据基于灰度图理论，使用深度学习图像分类方式，自动获取最优的局部放电特征量，对局部放电类型进行识别，具体包括提取记录模块、空间曲面构造模块、灰度图像转换模块和分类模块；
提取记录模块：用于提取放电脉冲序列，对每一个工频周期采集的信号提取放电脉冲：首先根据基础噪声设定阈值，提取大于阈值的放电脉冲，将放电脉冲的幅值和发生的工频相位记录在数据文件中；
空间曲面构造模块：用于构造φ-q-n空间曲面，即将工频相位φ轴划分为x个小区间，将放电脉冲序列幅值q轴划分为y个小区间，φ-q平面被划分成x*y个小区间；n表示φ-q平面上各小区间内的放电次数；
对φ-q-n空间曲面进行归一化处理，即
其中，ni,j为φ-q-n空间曲面放电次数，nmax为φ-q-n空间曲面最大放电次数；n′i,j为φ-q-n归一化后的空间曲面放电次数；
灰度图像转换模块：用于将空间曲面转换为灰度图像，灰度图像的灰度级为0-255，空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级，构造φ-q-n灰度图像，各像素点的灰度值为：
mi,j＝(1-n′i,j)×255
其中，mi,j为φ-q-n灰度图像像素点灰度；
分类模块：利用轻量级网络卷积神经网络LeNet5或AlexNet网络对灰度图片进行局部放电灰度图分类，得到局部放电类型。
优选地，所述待诊断数据包括巡检数据和用户接入的待验证数据，通过数据接入模块将待诊断数据存入基础数据库中的日常巡检数据中，利用平台中的诊断分析模块分析判断待诊断数据的放电诊断结果。
优选地，还包括诊断算法接入模块，与诊断分析模块相连，用于将待测试诊断算法接入平台，并利用高级数据库中的高级数据集测试待测试诊断算法的准确性。
优选地，所述数据库还包括：
历史数据管理模块，用于存储电力设备自身信息、电力设备的历史巡检记录和对应数据、电力设备的台账信息、电力设备运行情况、电力设备可靠性记录、电力设备故障记录、电力设备事故记录和电力设备维修记录；
数据筛选模块，用于根据用户输入的关键词从数据库中检索出符合条件的数据记录；
数据预处理模块，用于校验数据的完整性，分析数据的解析可行性；
数据安全模块，用于数据容灾备份和数据权限管理；
存储优化模块，用于对数据文件进行存储优化，实现快速存储和读取；将用户最常用的数据置于离用户最近、调用速度最快的节点上；
索引和连接性能优化模块：用于对数据库中数据条目下的索引进行优化以及对用户并发的数据查询任务进行优化。
发明所达到的有益效果：本发明是一种基于智能诊断算法的开放式局部放电大数据管理系统，实现局部放电大数据的管理，解决局部放电大数据难以被利用的技术问题；本发明的优点在于：
1)有效管理大规模、标准不一、格式多样、来源多样的检测数据，对检测数据进行分级管理，并对数据进行归一化和提炼，利用提炼后得到的高级数据集不断训练和优化智能诊断算法，再利用智能诊断算法来诊断和分析局部放电故障类型，为局部放电故障诊断与分析的不断优化和改进提供持续性的、循环性的数据支撑；
2)采用开放式大数据管理方法，允许用户将待验证数据接入平台，借助平台的智能诊断算法和高级数据集验证数据的准确性，同时，允许用户将待测试诊断算法接入平台，借助平台的高级数据集验证算法的可行性。
3)基于局部放电信号特征的多维度诊断算法提供多重诊断机制，提高了诊断效率，同时确保诊断结果的可靠性和准确性。
附图说明
图1为本发明的结构框图；
图2为本发明的快速诊断单元的诊断过程示意图；
图3为本发明的智能诊断单元的诊断过程示意图；
图4为本发明的深度诊断单元的诊断过程示意图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
本发明采用如下技术方案，一种基于智能诊断算法的开放式局部放电大数据管理系统，图1为本发明的结构框图，包括数据接入模块、数据转换模块、数据库和诊断分析模块，其中：
数据接入模块，用于提供标准的数据输入接口以接收数据；数据接入模块的数据来自其他局部放电标准采集平台、典型故障实验、日常电力设备的巡检以及用户输入的待验证数据等；
数据转换模块，对数据接入模块接收的数据进行规约转换，并归一化为平台要求的数据格式；若数据接入模块所获得的数据不符合平台要求的数据格式，则由数据转换模块对这些数据进行规约转换为符合要求的数据格式，转换后再存入数据库中的数据分级存储模块；若数据接入模块所获得的数据符合平台要求的数据格式，则直接存入数据库中的数据分级存储模块；
数据库,包括数据分级存储模块，数据分级存储模块用于存储经过数据转换模块转换的数据和数据接入模块接收的不需转换的数据,包括基础数据库和高级数据库；所述基础数据库中存储的基础数据集包括典型故障实验数据、案例数据和日常巡检数据，通过诊断分析模块判断日常巡检数据是否有故障，确认为故障的数据转存入案例数据；通过数学模型对典型故障实验数据和案例数据进行提炼，提炼出用于诊断的特征，特征与对应的放电诊断结果作为高级数据集存储于高级数据库中；
诊断分析模块，与数据库相连，用于判断待诊断数据的放电诊断结果以及利用高级数据库中的高级数据集训练智能诊断算法；使智能诊断算法在诊断分析日常巡检数据时能及时准确地发现故障。
作为一种较佳的实施例，所述数学模型为基于最优小波包变换的数学模型，提取出用于诊断的特征系数集合，考虑到提取的特征系数的维数都较高，不利于诊断分析模块进行分析判断，特征系数维数过高会导致过拟合，影响分析判断的准确，因此需要将主要的、能重点体现数据信息的特征系数进行提炼。对特征系数使用核主分量分析，运用核函数映射的基本方式进行特征系数的降维，即进行提炼。
作为一种较佳的实施例，所述诊断分析模块包括快速诊断单元、智能诊断单元和深度诊断单元，三个诊断单元实现分类特征由少到多、智能诊断算法由浅到深、数据量和计算维度由典型到全面的分层递进诊断，解决了目前局部放电信号特征的判断标准过于单一和固式化的问题，其中：
如图2所示，快速诊断单元，用于提取待诊断数据的聚类参数，并与高级数据库中的放电类型的典型聚类参数值进行对比，得到放电诊断结果；
如图3所示，智能诊断单元，用于提取待诊断数据的诊断特征，引用不同智能诊断算法分析特征，分别得到分析结果，对不同分析结果的按照一定的权重加权计算后得到放电诊断结果；
如图4所示，深度诊断单元，用于将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别。
作为一种较佳的实施例，智能诊断单元基于相位-平均放电量、相位-最大放电量和相位-放电次数三张谱图进行统计运算，提取待诊断数据的诊断特征包括：每个半周波，提取偏斜度Sk、陡峭度Ku和局部峰点数Pe三个统计特征量，偏斜度反映谱图形状相对于正态分布的左右偏斜情况；陡峭度用于描述某种形状的分布对比于正态分布形状的突起程度；局部峰点数用于描述谱图轮廓上局部峰的个数。互相关系数cc和放电因数Q这两个特征量用于描述谱图正负半周的轮廓差异。智能诊断模式分类基于相位-平均放电量、相位-最大放电量和相位-放电次数三张谱图进行统计运算。每张谱图有分正负两个半周，共有三张谱图，所以共有18个偏斜度、陡峭度和局部峰点数特征，再加上互相关系数和放电因数，总共是20个统计特征量，因此特征维度是20维。引用不同智能诊断算法分析上述特征值，并对各个算法得到的分析结果综合计算得到放电诊断结果。
作为一种较佳的实施例，其特征在于，智能诊断算法包括支持向量机SVM、粒子群聚类算法和正态贝叶斯分类器。
作为一种较佳的实施例，深度诊断单元中将待诊断数据基于灰度图理论，使用深度学习图像分类方式，自动获取最优的局部放电特征量，对局部放电类型进行识别，具体包括提取记录模块、空间曲面构造模块、灰度图像转换模块和分类模块；
提取记录模块：用于提取放电脉冲序列，对每一个工频周期采集的信号提取放电脉冲：首先根据基础噪声设定阈值，提取大于阈值的放电脉冲，将放电脉冲的幅值和发生的工频相位记录在数据文件中；
空间曲面构造模块：构造φ-q-n空间曲面，将工频相位φ轴划分为360个小区间，将放电信号幅值q轴划分为256个小区间，因而φ-q平面被划分成256×360个小区间；n表示φ-q平面上各小区间内的放电次数。
对φ-q-n空间曲面进行归一化处理即
其中，ni,j为φ-q-n空间曲面放电次数，nmax为φ-q-n空间曲面最大放电次数；n′i,j为φ-q-n归一化后的空间曲面放电次数。
灰度图像转换模块：用于将空间曲面转换为灰度图像，灰度图像的灰度级为0-255，空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级，构造φ-q-n灰度图像，各像素点的灰度值为：
mi,j＝(1-n′i,j)×255
其中，mi,j为φ-q-n灰度图像像素点灰度；最大放电次数应对应灰度值最小，而零放电次数对应于255的灰度值。由此得到分辨率为256×360的局部放电灰度图。
分类模块：利用轻量级网络卷积神经网络LeNet5或AlexNet网络对灰度图片进行局部放电灰度图分类，得到局部放电类型。
作为一种较佳的实施例，所述待诊断数据包括巡检数据和用户接入的待验证数据，通过数据接入模块将待诊断数据存入基础数据库中的日常巡检数据中，利用平台中的诊断分析模块分析判断待诊断数据的放电诊断结果。
作为一种较佳的实施例，还包括诊断算法接入模块，与诊断分析模块相连，用于将待测试诊断算法接入平台，并利用高级数据库中的高级数据集测试待测试诊断算法的准确性。
作为一种较佳的实施例，所述数据库还包括：
历史数据管理模块，用于存储电力设备自身信息、电力设备的历史巡检记录和对应数据、电力设备的台账信息、电力设备运行情况、电力设备可靠性记录、电力设备故障记录、电力设备事故记录和电力设备维修记录；
数据筛选模块，用于根据用户输入的关键词从数据库中检索出符合条件的数据记录；
数据预处理模块，用于校验数据的完整性，分析数据的解析可行性；
数据安全模块，用于数据容灾备份和数据权限管理；
存储优化模块，用于对数据文件进行存储优化，实现快速存储和读取；将用户最常用的数据置于离用户最近、调用速度最快的节点上；
索引和连接性能优化模块：用于对数据库中数据条目下的索引进行优化以及对用户并发的数据查询任务进行优化。
Claims (8)
1.基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，包括数据接入模块、数据转换模块、数据库和诊断分析模块，其中：
数据接入模块，用于提供标准的数据输入接口以接收数据；
数据转换模块，对数据接入模块接收的数据进行规约转换，并归一化为平台要求的数据格式；
数据库,包括数据分级存储模块，数据分级存储模块用于存储经过数据转换模块转换的数据和数据接入模块接收的不需转换的数据,包括基础数据库和高级数据库；所述基础数据库中存储的基础数据集包括典型故障实验数据、案例数据和日常巡检数据，通过诊断分析模块判断日常巡检数据是否有故障，确认为故障的数据转存入案例数据；通过数学模型对典型故障实验数据和案例数据进行提炼，提炼出用于诊断的特征，特征与对应的放电诊断结果作为高级数据集存储于高级数据库中；
诊断分析模块，与数据库相连，用于判断待诊断数据的放电诊断结果以及利用高级数据库中的高级数据集训练智能诊断算法；
上述诊断分析模块包括快速诊断单元、智能诊断单元和深度诊断单元，其中：
快速诊断单元，用于提取待诊断数据的聚类参数，并与高级数据库中的放电类型的典型聚类参数值进行对比，得到放电诊断结果；
智能诊断单元，用于提取待诊断数据的诊断特征，引用不同智能诊断算法分析特征，分别得到分析结果，对不同分析结果的按照一定的权重加权计算后得到放电诊断结果；
深度诊断单元，用于将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别；
上述深度诊断单元中将待诊断数据基于灰度图理论，使用深度学习图像分类方式，对局部放电类型进行识别，具体包括提取记录模块、空间曲面构造模块、灰度图像转换模块和分类模块；
提取记录模块：用于提取放电脉冲序列，对每一个工频周期采集的信号提取放电脉冲：首先根据基础噪声设定阈值，提取大于阈值的放电脉冲，将放电脉冲的幅值和发生的工频相位记录在数据文件中；
空间曲面构造模块：用于构造φ-q-n空间曲面，即将工频相位φ轴划分为x个小区间，将放电脉冲序列幅值q轴划分为y个小区间，φ-q平面被划分成x*y个小区间；n表示φ-q平面上各小区间内的放电次数；
对φ-q-n空间曲面进行归一化处理，即
其中，ni，j为φ-q-n空间曲面放电次数，nmax为φ-q-n空间曲面最大放电次数；ni，j为φ-q-n归一化后的空间曲面放电次数；
灰度图像转换模块：用于将空间曲面转换为灰度图像，灰度图像的灰度级为0-255，空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级，构造φ-q-n灰度图像，各像素点的灰度值为：
mi，j＝(1-ni，j)×255
其中，mi，j为φ-q-n灰度图像像素点灰度；
分类模块：利用深度学习模型对灰度图像进行局部放电灰度图分类，得到局部放电类型。
2.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，所述数学模型为基于最优小波包变换的数学模型，用于提取出用于诊断的特征空间，使用核主分量分析，运用核函数映射的基本方式进行特征降维，即进行提炼。
3.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，智能诊断单元基于相位-平均放电量、相位-最大放电量和相位-放电次数三张谱图进行统计运算，提取待诊断数据的诊断特征包括：每个半周波的偏斜度、陡峭度、局部峰点数、互相关系数和放电因数。
4.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，智能诊断算法包括支持向量机SVM、粒子群聚类算法和正态贝叶斯分类器。
5.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，深度学习模型为卷积神经网络LeNet5或AlexNet网络。
6.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，所述待诊断数据包括巡检数据和用户接入的待验证数据，通过数据接入模块将待诊断数据存入基础数据库中的日常巡检数据中，利用平台中的诊断分析模块分析判断待诊断数据的放电诊断结果。
7.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，还包括诊断算法接入模块，与诊断分析模块相连，用于将待测试诊断算法接入平台，并利用高级数据库中的高级数据集测试待测试诊断算法的准确性。
8.根据权利要求1所述的基于智能诊断算法的开放式局部放电大数据管理系统，其特征在于，所述数据库还包括：
历史数据管理模块，用于存储电力设备自身信息、电力设备的历史巡检记录和对应数据、电力设备的台账信息、电力设备运行情况、电力设备可靠性记录、电力设备故障记录、电力设备事故记录和电力设备维修记录；
数据筛选模块，用于根据用户输入的关键词从数据库中检索出符合条件的数据记录；
数据预处理模块，用于校验数据的完整性，分析数据的解析可行性；
数据安全模块，用于数据容灾备份和数据权限管理；
存储优化模块，用于对数据文件进行存储优化，实现快速存储和读取；将用户最常用的数据置于离用户最近、调用速度最快的节点上；
索引和连接性能优化模块：用于对数据库中数据条目下的索引进行优化以及对用户并发的数据查询任务进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810458826.0A CN108765189B (zh) | 2018-05-15 | 2018-05-15 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810458826.0A CN108765189B (zh) | 2018-05-15 | 2018-05-15 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765189A CN108765189A (zh) | 2018-11-06 |
| CN108765189B true CN108765189B (zh) | 2020-03-20 |
Family
ID=64007033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810458826.0A Active CN108765189B (zh) | 2018-05-15 | 2018-05-15 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765189B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111221247A (zh) * | 2018-11-23 | 2020-06-02 | 西门子股份公司 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
| CN109885677A (zh) * | 2018-12-26 | 2019-06-14 | 中译语通科技股份有限公司 | 一种多方位大数据采集整理系统及方法 |
| CN111504675B (zh) * | 2020-04-14 | 2021-04-09 | 河海大学 | 一种气体绝缘组合电器机械故障在线诊断方法 |
| CN111537850B (zh) * | 2020-05-21 | 2022-05-27 | 北京传动联普科技有限公司 | 一种局放信号智能分离分类诊断的大数据识别管理系统 |
| CN111983410A (zh) * | 2020-09-15 | 2020-11-24 | 山东电工电气集团有限公司 | 一种电力变压器局部放电信号在线就地分析方法 |
| CN112203249B (zh) * | 2020-09-29 | 2023-02-28 | 国网四川省电力公司电力科学研究院 | 一种适用于开关柜局部放电的智能网关系统 |
| CN116304979A (zh) * | 2023-03-02 | 2023-06-23 | 兰州交通大学 | 一种基于注意力机制的多特征融合局部放电类型识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
| CN105388402A (zh) * | 2015-10-30 | 2016-03-09 | 山东电力研究院 | 基于参数优化svm算法的交联电缆局部放电模式识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101768670B1 (ko) * | 2011-09-29 | 2017-08-31 | 현대일렉트릭앤에너지시스템(주) | Ｇｉｓ 탱크 내의 신호 감쇠율을 이용한 부분방전 위치 추정방법 |
| CN103077402B (zh) * | 2012-12-28 | 2016-05-11 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
-
2018
- 2018-05-15 CN CN201810458826.0A patent/CN108765189B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
| CN105388402A (zh) * | 2015-10-30 | 2016-03-09 | 山东电力研究院 | 基于参数优化svm算法的交联电缆局部放电模式识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765189A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765189B (zh) | 基于智能诊断算法的开放式局部放电大数据管理系统 | |
| CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
| CN112990656B (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
| CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
| CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
| CN112270596A (zh) | 基于用户画像构建的风险控制系统及方法 | |
| CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
| CN117273489A (zh) | 光伏状态评估方法及装置 | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN115718861A (zh) | 高耗能行业中用电用户的分类与异常行为监测方法及系统 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN105447100A (zh) | 一种基于形状特征的云图检索方法 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| CN115081950A (zh) | 企业成长性评估建模方法、系统、计算机及可读存储介质 | |
| CN114676723A (zh) | 基于加权水平可视图多重分形的情绪识别方法及系统 | |
| CN113962508A (zh) | 用电对象的识别方法及识别装置、电子设备 | |
| CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
| CN113744081B (zh) | 窃电行为分析方法 | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 |
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 | ||
| GR01 | Patent grant |