CN110619386A - 一种tmr运行监测及故障智能研判方法及系统 - Google Patents
一种tmr运行监测及故障智能研判方法及系统 Download PDFInfo
- Publication number
- CN110619386A CN110619386A CN201910846901.5A CN201910846901A CN110619386A CN 110619386 A CN110619386 A CN 110619386A CN 201910846901 A CN201910846901 A CN 201910846901A CN 110619386 A CN110619386 A CN 110619386A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- tmr
- fault
- monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011160 research Methods 0.000 title description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 239000002131 composite material Substances 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000002955 isolation Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000003032 molecular docking Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 76
- 210000002569 neuron Anatomy 0.000 description 21
- 238000011176 pooling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种TMR运行监测及故障智能研判方法及系统,方法包括以下具体步骤:S1.建立TMR运行监测平台,在线监测TMR运行的数据信息;S2.依托上述TMR运行监测平台及其数据信息,将检测的异常信息传输至复合神经网络学习单元;S3.利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型,从而发出相关报警信号,并提供故障隔离辅助决策;S4.将TMR运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端,可视化数据输出终端对计算结果进行输出,更加直观的显示。本发明的方法及系统可提高电力系统故障的智能监控,提高运维和检修人员工作效率,并进一步提高电力系统的智能化程度。
Description
技术领域
本发明属电力系统故障检测领域,具体涉及一种TMR运行监测及故障研判方法及系统。
背景技术
随着我国科学技术的发展、经济的腾飞,我国各行业对电力的需求日益加大,并且当前的电力系统正朝着超特高压、超大电网、智能化方向飞速发展,我国的电网已经不再是一个个相互孤立的小电网,而是正逐步形成跨省跨区的大电网。确保电网安全和人身安全,是国网公司重大的社会责任,也是安全工作的出发点和落脚点。电网稳定破坏和大面积停电事故,影响全局,造成的损失不仅仅是经济问题。而变电站是电力系统中电能传输的一个重要环节,在电网中有着不可替代的重要地位。它将各级电压的电网联系起,在电力系统中起着变换电压、接受和分配电能、控制电力的流向和调整电压的作用,在整个电力系统中更是有着无可替代的地位,因此,确保变电站内人身、设备及电网的持续安全稳定运行就显得尤为重要。
由于变电站的数量逐年大幅度增加,变电站的数量以及站内的设备数量和需求仍在不断增加,对电网安全生产的要求也随之提高。因此,也造成了变电站内的线路及设备故障频发,如长时间过负荷运行造成设备发热或开关跳线,以及线路上发生短路故障,造成相关设备跳闸,甚至跃级造成主变压器跳闸,因此,急需研究一种方法对变电站的线路和设备进行实时监测,从而能够尽早发现故障,以防故障进一步扩大。
TMR系统(电能量信息采集系统)的建设属于系统性的工程,它包括电力系统的各个方面,如营销系统、配电自动化系统、用电监控系统等等。它是一个综合性的数据应用平台,先进的计算机技术与数据库技术作为其基础,利用该技术采集、统计、分析、存储、发布电能量数据。然而目前的TMR系统缺乏灵活性、可操作性,对故障无法识别。因此,需要建立一个完整的TMR运行监测系统,将所有变电站的相关信息进行连接,从而对变电站的线路和设备运行状态进行在线监测,及时的发现运行中存在的异常信号,从而能够尽早发现故障,消除故障,保障电网的稳定运行。
发明内容
本发明的目的在于提供一种TMR运行监测及故障研判方法及系统,能够实现实时监测变电站内线路和设备运行的情况,还能识别异常信息,判断故障类型,并生成相关故障隔离方案,为运检人员提供一个辅助决策,及时的消除故障,有效防止故障扩大。
本发明的技术方案:
一种TMR运行监测及故障智能研判方法,包括以下具体步骤:
S1.建立TMR运行监测平台,在线监测TMR运行的数据信息;
S2.依托上述TMR运行监测平台及其数据信息,将检测的异常信息传输至复合神经网络学习单元;
S3.利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型,从而发出相关报警信号,并提供故障隔离辅助决策;
S4.将TMR运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端,可视化数据输出终端对计算结果进行输出,更加直观的显示。
所述TMR运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块,所述数据对接与采集模块将TMR运行监测平台与各个变电站、变电所进行数据对接,并采集电能量信息、用电实时监控信息、用电负荷情况、线损情况。
所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控,从而对其运行状态进行监控,主要获取的数据包括计量点表码、电量、事件、母线平衡以及变电站平衡,从而实现监控线路运行情况以及变电站设备运行情况,并且将所有监控的数据记录和传输至电力系统内部网络日志、异常信息库,以便相关人员随时随地进行查询。
所述系统管理模块主要包括是权限管理、在线校验管理以及数据更新管理。
所述步骤S2中的复合神经网络学习单元采用BP神经网络和深度卷积神经网络相结合的算法进行计算。
所述步骤S3中利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型的具体流程为,
TMR运行监测平台检测到异常信息,并将异常信息输送到复合神经网络学习单元;
复合神经网络学习单元分别通过BP神经网络算法和深度卷积神经网络算法提取异常信息中的特征量;
将BP神经网络算法和深度卷积神经网络算法提取的特征量进行交叉复合连接形成复合特征;
根据复合特征自动匹配故障类型,完成故障的智能研判。
所述步骤S4中可视化数据输出终端的直观显示具体方法为,输入变电站或设备双重名称,可视化数据输出终端显示TMR运行监测的实时数据和显示智能研判故障结果,并显示出在何处TMR运行监测的数据出现异常,以及相关的故障类型,还自动生成故障隔离的辅助方案供运维和检修人员参考,并以附件形式提供下载查阅。
一种TMR运行监测及故障智能研判系统,包括TMR运行监测平台、复合神经网络学习单元以及可视化数据输出终端;
所述TMR运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块,用以实时监测TMR运行数据信息,并将异常数据信息传输到复合神经网络学习单元;
所述复合神经网络学习单元包括故障研判规则数据库、故障类型数据库、 BP神经网络计算单元、深度卷积神经网络计算单元、报警信号发送单元以及辅助决策生成单元,用以对TMR运行监测平台发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成;
所述可视化数据输出终端用以显示TMR运行监测的实时数据、智能研判故障结果、在何处TMR运行监测的数据出现异常以及相关的故障类型。
所述数据对接与采集模块主要由主站系统、传输通道和采集终端构成,所述主站系统是计算机系统设备,承担着选择终端并与之进行信息交换的任务,主站系统由应用服务器、前置机与采控管理构成;所述主站系统与采集终端间是通过传输通道实现信息传送与连接的,主站系统通过传输通道的信息传递来向采集终端发布命令及请求电能量数据读取,采集终端同样通过传输通道把采集到的信息数据向采集主站系统传送。
所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控,从而对其运行状态进行监控,主要获取的数据包括计量点表码、电量、事件、母线平衡、变电站平衡数据,实现的主要功能包括监控线路运行情况以及变电站设备运行情况,运行状态监控模块将所有监控的数据进行记录,并传输至电力系统内部网络日志、异常信息库,以便相关人员随时随地进行查询。
与现有技术相比,本发明的有益效果是:能够对变电站线路和设备的电能进行实时监测,还能通过可视化界面能够实时查看相关信息,也能查询历史数据。大大增加了TMR系统的阅读性和可操作性,让运维检修人员能够及时掌握全站运行情况的变化,能够实现实时监测变电站内线路和设备运行的情况,还能识别异常信息,判断故障类型,并生成相关故障隔离方案,为运检人员提供一个辅助决策,及时的消除故障,有效防止故障扩大。本发明应用于变电站运行情况监控时,不仅能提高监控效率,在很大程度上也减少了相关人员的工作量,还提升了变电站运行监测的自动化程度,改善对故障的识别效率及相关人员的处理效率。
附图说明
图1为本发明方法流程示意图;
图2为本发明TMR运行监测平台运行状态监控模块监控流程示意图;
图3为本发明复合神经网络学习单元复合计算流程示意图;
图4为本发明BP神经网络结构图;
图5为本发明深度卷积神经网络结构示意图;
图6为本发明系统结构框图;
图7为本发明TMR运行监测平台结构框图;
图8为本发明可视化数据输出终端显示界面图。
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,而不是全部的实施例。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。
请参阅图1,一种TMR运行监测及故障智能研判方法,包括以下具体步骤:
S1.建立TMR运行监测平台,在线监测TMR运行的数据信息;
S2.依托上述TMR运行监测平台及其数据信息,将检测的异常信息传输至复合神经网络学习单元;
S3.利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型,从而发出相关报警信号,并提供故障隔离辅助决策;
S4.将TMR运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端,可视化数据输出终端对计算结果进行输出,更加直观的显示。
请参阅图2和图3,所述步骤S2中的复合神经网络学习单元采用BP神经网络和深度卷积神经网络相结合的算法进行计算。
所述步骤S3中利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型的具体流程为,
TMR运行监测平台检测到异常信息,并将异常信息输送到复合神经网络学习单元;
复合神经网络学习单元分别通过BP神经网络算法和深度卷积神经网络算法提取异常信息中的特征量;
将BP神经网络算法和深度卷积神经网络算法提取的特征量进行交叉复合连接形成复合特征;
根据复合特征自动匹配故障类型,完成故障的智能研判。
(1)BP神经网络
BP神经网络是目前应用最为广泛的神经网络,其基本思想是误差反向传递,被广泛运用于电力设备故障诊断。BP神经网络由三类层组成,如图4所示。输入层神经元为处理对象的特征值或特征向量,接收输入;隐含层为中间计算层;输出层为处理对象可能存在的类型。
x为神经网络输入,共有n个神经元,h为神经网络隐含层k个神经元,y 为m个神经网络输出层神经元向量。
神经网络计算时,首先随机初始化权重和偏置b,然后根据初始化数据计算每一层的输出值h和y:
式中,ω1 ij和分别ω2 ij为输入层与隐含层、隐含层与输出层神经元向量之间的权重,b1 i为隐含层第i个神经元的偏置,b2 j为输出层第b1 i个神经元的偏置,f()一般为Sigmoid函数:
f(z)的计算完成代表前向传递过程的结束,z为输出层激活函数的自变量,然后根据计算误差反向更新权重和偏置。设误差函数为e,则:
式中,t为神经网络的期望输出。使用误差逆向反馈的目标是通过更新权重和偏置使误差函数降为最小,从而使神经网络的输出达到或接近期望输出,更新公式为:
式中,ε为学习率。隐含层到输出层需要更新的参数为权重ω2 ij和偏置b2 j,输入层到隐含层需要更新的参数为权重ω1 ij和偏置b1 j,所以,输入层到隐含层参数更新公式为:
式中,q为迭代次数,f’(z)一次偏导数,当误差函数满足给定要求时结束更新过程,网络训练完成。
(2)深度卷积神经网络
深度神经网络(Deep Neural Network,DNN)能够实现自动化的特征提取,并与分类过程融为一体。对应地使用卷积层和池化层交替地处理输入的需要学习匹配的信息,实现信息特征的提取,最终通过全连接层构成的分类器实现标签的分类和匹配。深度卷积神经网络DCNN最大特点是与输入层连接的是交替的卷积层和池化层而非普通的神经网络层(又称为全连接层);相当于在普通的 ANN模型中靠近输入层的部分增加了卷积层和池化层的结果,其结构如图5所示。
其中最左侧信息获取为输入层,采用二维像素点矩阵表示,TMR运行监测平台数据文件一般为3个二维像素点矩阵,因此分成了3个通道。
紧接着CL代表卷积层(Convolutional Layer),它进行卷积操作的核心层,也叫做特征提取层,主要作用是提取输入数据特征。每一个不同的卷积核提取输入数据的特征都不相同,卷积核数量越多,提取输入数据的特征越多。一般来说,DCNN中可能有多个连续的卷积层,目的是抽取更为复杂抽象的特征,也可将这些连续的卷积层视为一个“复合卷积层”。
与卷积层相连的SL是池化层(Sampling Layer,Pooling Layer),也叫下采样层,主要目的是在保留有用信息的基础上急剧减少数据处理量,加快训练网络的速度,同时还能够使网络对平移、缩放具有一定的不变性,增强网络的鲁棒性。通常每个复合卷积层的最后都是一个池化层。池化层中的每一个神经元的值是通过卷积层采样窗口中的神经元聚集(如求平均值或是最大值)得到的,使得前一层得到的特征信息减小,计算方法为:
其中,x为输入向量,y为采样后的结果,y’是带参数a和b的下采样结果,f 为激活函数,SL1、SL2为池化层,m、n表示m个输出节点和n个输入节点。D CNN中往往不止有一组复合卷积层和池化层,而是依次有多个复合卷积层和池化层交替连接,从而实现了特征的逐步层级抽象提取。
最终靠近输出层一侧的一层或几层神经元与ANN模型中的一致,又称为全连接层,与卷积层不同,全连接层中的每个神经元都和前一层的每一个神经元连接,而同一层的神经元节点之间不相互连接。全连接层的作用是将由卷积网络提取出来的特征进一步处理,实现通用线性分类器和降维的功能。虽然,DC NN中可以有多个全连接层,但是全连接层也是整个网络中参数最多的部分,因而需要控制其数目和每一层的神经元个数。
最右侧是输出层,其神经元节点的数目是根据具体应用任务来设定的。如果是分类任务,卷积神经网络输出层通常是一个分类器。
模型前向传播计算:卷积层CL1中的神经元输出可以由下式计算:
式中,W[i,j]表示卷积层的权值矩阵,bt中第t个神经元的偏置。类似地,池化层SL1中的神经元输出可以由下式计算:
其中u表示SL1层对应的窗口函数,pi和pj表示在窗口函数的二维位置,T表示的特征信息代码,表示采样函数。
以此类推,可以计算得到各卷积层和池化层的输出结果,而对于全连接层,其输出是最后一个池化层中所有特征信息的神经元。全连接层H中神经元的输出计算方式如下:
其中,Sn表示最后一个全连接层,函数G()将Sn层中所有特征图的神经元转化为一个k维特征向量。深度卷积神经网络具有以下几个优点:基于仿生学理论设计;具有端对端训练的能力;提取到的特征具有层次化结构;进行识别时计算量适中。
请参阅图6,一种TMR运行监测及故障智能研判系统,包括TMR运行监测平台100、复合神经网络学习单元,200以及可视化数据输出终端300;
所述TMR运行监测平台100包括数据对接与采集模块、运行状态监控模块以及系统管理模块,用以实时监测TMR运行数据信息,并将异常数据信息传输到复合神经网络学习单元;
所述复合神经网络学习单元200包括故障研判规则数据库、故障类型数据库、BP神经网络计算单元、深度卷积神经网络计算单元、报警信号发送单元以及辅助决策生成单元,用以对TMR运行监测平台发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成;
所述可视化数据输出终端300用以显示TMR运行监测的实时数据、智能研判故障结果、在何处TMR运行监测的数据出现异常以及相关的故障类型。
TMR运行监测管理平100能够增强TMR系统的阅读性和可操作性,具体结构如图7所示,包括:数据对接与采集模块、运行状态监控模块以及系统管理模块。建立的TMR运行监测管理平台能够通过数据传输至数据库,并可通过可视化窗口查看。
(1)数据对接与采集模块
数据对接与采集模块主要由主站系统、传输通道和采集终端构成。该模块主要承担将TMR运行监测管理平台与各个变电站、变电所进行数据对接,并采集相关的信息,包括电能量信息、用电实时监控信息、用电负荷情况、线损情况等相关信息。
主站系统作为整个系统的指挥中心,是TMR运行监测管理平台采集系统的中枢,有着外部接口、统计与分析信息数据、下发命令、管理采集终端及维护系统等功能。主站系统是计算机系统设备,承担着选择终端并与之进行信息交换的任务,它由应用服务器、前置机与采控管理构成。
采集主站系统与采集终端间是通过传输通道实现信息传送与连接的,采集主站系统通过传输通道的信息传递来向采集终端发布命令及请求电能量数据读取的,采集终端同样通过传输通道把采集到的信息数据向采集主站系统传送的。只有传输通道能够有效且稳定的工作,整个系统的运行才能有保障。随着通信技术、计算机技术的日益完善,系统通信通道也有了快速的发展且有了很好地应用效果,主要采用专网通信的方式,其稳定且可靠。
(2)运行状态监控模块
运行管理模块主要是通过对所有变电站的线路和设备的电能进行监控,从而对其运行状态进行监控,主要获取的数据包括:计量点表码、电量、事件、母线平衡、变电站平衡等,从而实现的主要功能有:监控线路运行情况、断路器、隔离开关以及其他设备运行情况。并且将所有监控的数据记录,并传输至电力系统内部网络日志、异常信息库,以便相关人员随时随地进行查询。查询的步骤为:首先进入系统,然后选择管理单位并点击查询,系统会列出此管理单位的所有的采集点,输入变电站或设备双重名称并查询,系统会列出相关的信息,即可以查看该设备的实时运行情况及历史数据。运行状态监控的实施流程图如图2所示。
(3)系统管理模块
系统管理模块主要包括是权限管理、在线校验管理以及数据更新管理。其中权限管理是对系统的操作人员权限的操作管理,分成了普通人员和管理人员两个类型。其中普通人员登入时,仅能进行查看和查询权限,对设备的情况和历史消息进行查阅;管理人员登入时,不仅能够查阅相关数据,还能对其进行相应的修改,信息的更新和发布。
TMR运行监测系统的数据文件作为变电站可靠运行的依据,必须严格满足设计文件的要求。在线校验管理保证相关数据文件的合理性、完整性。在线检验通过智能电子设备装置的过程层接口实现,接收并解析智能电子设备装置发送的软报文、校验其报文参数、通道数量、数据类型是否与TMR运行监测系统的数据文件描述的一致,从而完成正确的动作响应。
请参阅图8,可视化数据输出终端对计算结果进行输出,更加直观的显示。该系统登入后,输入变电站或设备双重名称,则能够显示TMR运行监测的实时数据,并且能够显示智能研判故障结果,并显示出在何处TMR运行监测的数据出现异常,以及相关的故障类型。还自动生成故障隔离的辅助方案供运维和检修人员参考,并以附件形式提供下载查阅,大大提高了故障查找和消缺的效率。此外,还能直接通过该数据终端查看相关历史数据,网络日志以及异常信息数据库等。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种TMR运行监测及故障智能研判方法,其特征在于,包括以下具体步骤:
S1.建立TMR运行监测平台,在线监测TMR运行的数据信息;
S2.依托上述TMR运行监测平台及其数据信息,将检测的异常信息传输至复合神经网络学习单元;
S3.利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型,从而发出相关报警信号,并提供故障隔离辅助决策;
S4.将TMR运行监测数据、复合神经网络学习单元判断结果传输至可视化数据输出终端,可视化数据输出终端对计算结果进行输出,更加直观的显示。
2.根据权利要求1所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述TMR运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块,所述数据对接与采集模块将TMR运行监测平台与各个变电站、变电所进行数据对接,并采集电能量信息、用电实时监控信息、用电负荷情况、线损情况。
3.根据权利要求2所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控,从而对其运行状态进行监控,主要获取的数据包括计量点表码、电量、事件、母线平衡以及变电站平衡,从而实现监控线路运行情况以及变电站设备运行情况,并且将所有监控的数据记录和传输至电力系统内部网络日志、异常信息库,以便相关人员随时随地进行查询。
4.根据权利要求2所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述系统管理模块主要包括是权限管理、在线校验管理以及数据更新管理。
5.根据权利要求1所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述步骤S2中的复合神经网络学习单元采用BP神经网络和深度卷积神经网络相结合的算法进行计算。
6.根据权利要求5所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述步骤S3中利用复合神经网络学习单元的人工智能技术进行深入计算,智能匹配故障类型的具体流程为,
TMR运行监测平台检测到异常信息,并将异常信息输送到复合神经网络学习单元;
复合神经网络学习单元分别通过BP神经网络算法和深度卷积神经网络算法提取异常信息中的特征量;
将BP神经网络算法和深度卷积神经网络算法提取的特征量进行交叉复合连接形成复合特征;
根据复合特征自动匹配故障类型,完成故障的智能研判。
7.根据权利要求6所述的一种TMR运行监测及故障智能研判方法,其特征在于,所述步骤S4中可视化数据输出终端的直观显示具体方法为,输入变电站或设备双重名称,可视化数据输出终端显示TMR运行监测的实时数据和显示智能研判故障结果,并显示出在何处TMR运行监测的数据出现异常,以及相关的故障类型,还自动生成故障隔离的辅助方案供运维和检修人员参考,并以附件形式提供下载查阅。
8.一种TMR运行监测及故障智能研判系统,其特征在于,包括TMR运行监测平台、复合神经网络学习单元以及可视化数据输出终端;
所述TMR运行监测平台包括数据对接与采集模块、运行状态监控模块以及系统管理模块,用以实时监测TMR运行数据信息,并将异常数据信息传输到复合神经网络学习单元;
所述复合神经网络学习单元包括故障研判规则数据库、故障类型数据库、BP神经网络计算单元、深度卷积神经网络计算单元、报警信号发送单元以及辅助决策生成单元,用以对TMR运行监测平台发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成;
所述可视化数据输出终端用以显示TMR运行监测的实时数据、智能研判故障结果、在何处TMR运行监测的数据出现异常以及相关的故障类型。
9.根据权利要求8所述的一种TMR运行监测及故障智能研判系统,其特征在于,所述数据对接与采集模块主要由主站系统、传输通道和采集终端构成,所述主站系统是计算机系统设备,承担着选择终端并与之进行信息交换的任务,主站系统由应用服务器、前置机与采控管理构成;所述主站系统与采集终端间是通过传输通道实现信息传送与连接的,主站系统通过传输通道的信息传递来向采集终端发布命令及请求电能量数据读取,采集终端同样通过传输通道把采集到的信息数据向采集主站系统传送。
10.根据权利要求8所述的一种TMR运行监测及故障智能研判系统,其特征在于,所述运行状态监控模块通过对所有变电站的线路和设备的电能进行监控,从而对其运行状态进行监控,主要获取的数据包括计量点表码、电量、事件、母线平衡、变电站平衡数据,实现的主要功能包括监控线路运行情况以及变电站设备运行情况,运行状态监控模块将所有监控的数据进行记录,并传输至电力系统内部网络日志、异常信息库,以便相关人员随时随地进行查询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846901.5A CN110619386B (zh) | 2019-09-09 | 2019-09-09 | 一种tmr运行监测及故障智能研判方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846901.5A CN110619386B (zh) | 2019-09-09 | 2019-09-09 | 一种tmr运行监测及故障智能研判方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619386A true CN110619386A (zh) | 2019-12-27 |
CN110619386B CN110619386B (zh) | 2022-12-16 |
Family
ID=68923056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846901.5A Active CN110619386B (zh) | 2019-09-09 | 2019-09-09 | 一种tmr运行监测及故障智能研判方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619386B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111367781A (zh) * | 2020-05-26 | 2020-07-03 | 浙江大学 | 一种实例处理方法及其装置 |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电系统位移在线监控及预警系统 |
CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN111579978A (zh) * | 2020-05-18 | 2020-08-25 | 刘柱华 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
CN112305473A (zh) * | 2020-10-23 | 2021-02-02 | 哈尔滨工程大学 | 三轴tmr传感器的校准方法 |
CN112488340A (zh) * | 2020-12-18 | 2021-03-12 | 无锡挚达物联科技有限公司 | 基于深度学习的智能储能控制方法、装置及存储介质 |
CN113076434A (zh) * | 2021-04-30 | 2021-07-06 | 国网山东省电力公司经济技术研究院 | 一种电力质量监督信息的报送方法和系统 |
CN113221937A (zh) * | 2021-02-24 | 2021-08-06 | 山东万博科技股份有限公司 | 基于人工智能判断的应急处理系统及方法 |
CN115092218A (zh) * | 2022-08-24 | 2022-09-23 | 吉林铁道职业技术学院 | 高速铁路信号系统全生命周期智能运维系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN107065802A (zh) * | 2017-05-05 | 2017-08-18 | 河南中鸿集团煤化有限公司 | 一种能源自动管理调度系统 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
-
2019
- 2019-09-09 CN CN201910846901.5A patent/CN110619386B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN107065802A (zh) * | 2017-05-05 | 2017-08-18 | 河南中鸿集团煤化有限公司 | 一种能源自动管理调度系统 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
Non-Patent Citations (4)
Title |
---|
宋彤等: "复合模糊神经网络在故障诊断中的应用研究", 《上海海运学院学报》 * |
申韬等: "汽轮发电机组故障诊断的复合式进化网络", 《华中理工大学学报》 * |
董安等: "基于局部线性嵌入算法的柴油机故障诊断研究", 《计算机工程与应用》 * |
陈忱等: "基于BP-AdaBoost的电子式电能表故障检测方法", 《电光与控制》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电系统位移在线监控及预警系统 |
CN111579978B (zh) * | 2020-05-18 | 2024-01-02 | 珠海施诺电力科技有限公司 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN111579978A (zh) * | 2020-05-18 | 2020-08-25 | 刘柱华 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN111367781A (zh) * | 2020-05-26 | 2020-07-03 | 浙江大学 | 一种实例处理方法及其装置 |
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
CN112305473A (zh) * | 2020-10-23 | 2021-02-02 | 哈尔滨工程大学 | 三轴tmr传感器的校准方法 |
CN112305473B (zh) * | 2020-10-23 | 2023-08-11 | 哈尔滨工程大学 | 三轴tmr传感器的校准方法 |
CN112488340B (zh) * | 2020-12-18 | 2021-07-27 | 无锡挚达物联科技有限公司 | 基于深度学习的智能储能控制方法、装置及存储介质 |
CN112488340A (zh) * | 2020-12-18 | 2021-03-12 | 无锡挚达物联科技有限公司 | 基于深度学习的智能储能控制方法、装置及存储介质 |
CN113221937A (zh) * | 2021-02-24 | 2021-08-06 | 山东万博科技股份有限公司 | 基于人工智能判断的应急处理系统及方法 |
CN113076434A (zh) * | 2021-04-30 | 2021-07-06 | 国网山东省电力公司经济技术研究院 | 一种电力质量监督信息的报送方法和系统 |
CN115092218A (zh) * | 2022-08-24 | 2022-09-23 | 吉林铁道职业技术学院 | 高速铁路信号系统全生命周期智能运维系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110619386B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619386B (zh) | 一种tmr运行监测及故障智能研判方法及系统 | |
CN108931972B (zh) | 一种基于模型驱动的变电站二次设备状态智能诊断方法 | |
CN103914791A (zh) | 一种电力设备状态检修系统 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
CN106054019B (zh) | 基于故障辅助因子的配电网高容错性在线故障定位方法 | |
CN110020967A (zh) | 一种电网调度端变电站智能告警的信息处理方法及装置 | |
CN104778632A (zh) | 一种实现智能转电辅助决策的方法及系统 | |
CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN117974166B (zh) | 一种用电信息采集全链路异常监测及因果溯源方法及系统 | |
Nie et al. | Research on the application of intelligent technology in low voltage electric automation control system | |
CN112964960A (zh) | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN112862249B (zh) | 一种智能配电设备精益管理方法及其系统 | |
CN115542070A (zh) | 一种配网线路故障定位方法及存储介质 | |
CN115438893A (zh) | 一种电力调度设备运行状态评估方法及系统 | |
Shan et al. | Design and implementation of fault diagnosis system for power communication network based on CNN | |
CN111897655B (zh) | 一种输变电云端智能控制器 | |
CN110633906A (zh) | 一种计及人因可靠性的变电站自动化方法失效风险评估方法 | |
CN111199289A (zh) | 一种基于大数据的线损监测系统 | |
CN114895115B (zh) | 特高压直流控保系统中基于启发式搜索分析的故障预测方法 | |
Hu et al. | Research on automatic optimization configuration strategy based on knowledge base | |
CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 |
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 | ||
GR01 | Patent grant |