CN111488947B - 电力系统设备的故障检测方法与装置 - Google Patents
电力系统设备的故障检测方法与装置 Download PDFInfo
- Publication number
- CN111488947B CN111488947B CN202010350242.9A CN202010350242A CN111488947B CN 111488947 B CN111488947 B CN 111488947B CN 202010350242 A CN202010350242 A CN 202010350242A CN 111488947 B CN111488947 B CN 111488947B
- Authority
- CN
- China
- Prior art keywords
- power system
- data
- system equipment
- working mode
- fault detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 35
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明实施例提供一种电力系统设备的故障检测方法与装置。该方法包括：获取电力系统设备的监测数据，所述监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；根据电力指纹数据确定电力系统设备的工作模式；根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对所述电力系统设备进行故障检测。本发明实施例的方法，针对电力系统设备在各种工作模式下的工作特点进行差异化的故障检测，提高了电力系统设备故障检测的准确性。
Description
技术领域
本发明涉及电力系统技术领域，具体涉及一种电力系统设备的故障检测方法与装置。
背景技术
电力系统设备运维服务是指为了维护电力系统设备的安全稳定运行，保证电能质量，针对配电设施和用电设施，进行规划设计、安装调试、运行监测、维护保养和设备检修等专业服务，以实现“安全、经济、优质”的用电目的。
目前对于电力系统设备的故障检测工作，主要由运维人员根据个人工作经验进行周期性核查，依赖于运维人员的主观判断，且电力系统设备存在多厂家、多类型、多型号等设备多样化问题，导致故障发现不及时且容易遗漏。随着信息化技术的发展，通过分析电力系统设备的温度数据或者震动数据，进行故障检测已逐步用于工程实践。目前常用的故障检测方法有阈值分析法，然而由于电力系统设备自身的复杂性，很难用一组阈值正确抽象，这就导致基于阈值分析的故障检测方法无法满足工程实践对于准确性的要求。
发明内容
本发明实施例提供一种电力系统设备的故障检测方法与装置，用以解决现有故障检测方法准确性低的问题。
第一方面，本发明实施例提供一种电力系统设备的故障检测方法，包括：
获取电力系统设备的监测数据，监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；
根据电力指纹数据确定电力系统设备的工作模式；
根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测。
一种实施例中，根据电力指纹数据确定电力系统设备的工作模式，包括：
将电力指纹数据与预设的电力指纹系统库进行匹配，电力指纹系统库包括电力系统设备在各个工作模式下的电力指纹数据特征；
根据匹配结果，确定电力系统设备的工作模式。
一种实施例中，所述方法还包括：
若匹配失败，则确定电力系统设备出现异常。
一种实施例中，根据电力指纹数据确定电力系统设备的工作模式之前，所述方法还包括：
对预设历史时间段内电力系统设备的电力指纹数据进行聚类分析；
根据聚类结果确定电力系统设备在各个工作模式下的电力指纹数据特征，构建电力指纹系统库。
一种实施例中，根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测，包括：
采用滤波器组从所述声纹数据中提取声纹特征，将提取出的声纹特征输入预先训练好的该工作模式的深度神经网络-隐马尔可夫模型(Deep Neural Networks HiddenMarkov Model，简称：DNN-HMM模型)，以确定电力系统设备是否出现异常；
对温度数据和震动数据进行一阶差分处理得到平滑向量数据，将平滑向量数据输入预先训练好的该工作模式的差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average model，简称：ARIMA模型)，以确定电力系统设备是否出现异常。
一种实施例中，根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测之前，所述方法还包括：
根据预设历史时间段内各工作模式下已标记的声纹数据对DNN-HMM模型进行训练，获取各工作模式的DNN-HMM模型；
根据预设历史时间段内各工作模式下已标记的温度数据和震动数据对ARIMA模型进行训练，获取各工作模式的ARIMA模型。
一种实施例中，工作模式包括：启动、配置、待机、运行和休眠。
第二方面，本发明实施例提供一种电力系统设备的故障检测装置，包括：
获取模块，用于获取电力系统设备的监测数据，监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；
确定模块，用于根据电力指纹数据确定电力系统设备的工作模式；
检测模块，用于根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测。
第三方面，本发明实施例提供一种电力系统设备的故障检测设备，包括：
至少一个处理器和存储器；
存储器存储计算机执行指令；
至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面任一项所述的电力系统设备的故障检测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项所述的电力系统设备的故障检测方法。
本发明实施例提供的电力系统设备的故障检测方法与装置，通过获取电力系统设备的电力指纹数据、声纹数据、温度数据和震动数据，首先根据电力指纹数据确定电力系统设备的工作模式，然后根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对所述电力系统设备进行故障检测，针对电力系统设备在各种工作模式下的工作特点进行差异化的故障检测，从而提高了电力系统设备故障检测的准确性。
附图说明
图1为本发明提供的电力系统设备的故障检测方法一实施例的流程图；
图2为本发明提供的电力系统设备的故障检测方法又一实施例的流程图；
图3为本发明提供的电力系统设备的故障检测装置一实施例的结构示意图；
图4为本发明提供的电力系统设备的故障检测设备一实施例的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
图1为本发明提供的电力系统设备的故障检测方法一实施例的流程图。如图1所示，本实施例提供的电力系统设备的故障检测方法可以包括：
S101、获取电力系统设备的监测数据，监测数据包括电力指纹数据、声纹数据、温度数据和震动数据。
本实施例中例如可以通过数据采集装置实时对电力系统设备进行毫秒级的高频度数据采集，以获取电力系统设备的监测数据，监测数据可以包括电力指纹数据、声纹数据、温度数据和震动数据，从而从多个维度对电力系统设备进行监测。
具体的，可以通过在电力系统设备的关键发热部位设置温度传感器，以获取温度数据；可以通过在电力系统设备的关键震动部位设置震动传感器，以获取震动数据；可以通过在电力系统设备的关键发声部位设置麦克风阵列，以获取声纹数据；可以通过对电力系统设备自身电源供电模块进行监测，获取电力系统设备的A相电压、B相电压和C相电压，以及A相电流、B相电流和C相电流，并据此确定电力系统设备的电力指纹数据。在一种可选的实施方式中，电力指纹数据包括A/B两相电压相位角，B/C两相电压相位角，A/C两相电压相位角，A/B两相电流相位角，B/C两相电流相位角，A/C两相电流相位角，A相电流电压相位角，B相电流电压相位角，C相电流电压相位角，A相有功功率，A相无功功率，B相有功功率，B相无功功率，C相有功功率和C相无功功率。本实施例对于多维电力指纹数据中各元素的顺序不作限制。
S102、根据电力指纹数据确定电力系统设备的工作模式。
在获取到电力系统设备的监测数据之后，首先可以根据电力指纹数据确定电力系统设备的工作模式。本实施例中的工作模式可以包括：启动、配置、待机、运行和休眠。需要说明的是，每一种电力系统设备都有符合自身特点的工作模式，本实施例中仅以启动、配置、待机、运行和休眠等几种工作模式为例进行说明，并不限于此。
在各种不同的工作模式下，电力系统设备的监测数据具有不同的数据特征。以温度数据为例，同样是60摄氏度，对处于运行工作模式的电力系统设备来说是正常的，而对处于休眠工作模式的电力系统设备来说则是异常的。若不加区分，采用相同的标准进行检测，势必会降低故障检测的准确性。
在一种可选的实施方式中，根据电力指纹数据确定电力系统设备的工作模式可以包括：将电力指纹数据与预设的电力指纹系统库进行匹配，电力指纹系统库包括电力系统设备在各个工作模式下的电力指纹数据特征；根据匹配结果，确定电力系统设备的工作模式。
以工作模式包括启动、配置、待机、运行和休眠为例，则电力指纹系统库相应地可以包括电力系统设备在各个工作模式下的电力指纹数据特征T1、T2、T3、T4和T5。分别计算实时采集的电力指纹数据与T1-T5的相似度，选择相似度最大且大于等于预设相似度阈值的工作模式为该电力指纹数据的工作模式。若其中最大的相似度小于预设相似度阈值，则该电力指纹数据与所有工作模式均不匹配，即匹配失败，此时可以确定电力系统设备出现异常，需要进行故障告警及故障上报。其中，相似度可以通过欧式距离、余弦距离等确定。
在一种可选的实施方式中，根据电力指纹数据确定电力系统设备的工作模式之前，所述方法还可以包括：对预设历史时间段内电力系统设备的电力指纹数据进行聚类分析；根据聚类结果确定电力系统设备在各个工作模式下的电力指纹数据特征，构建电力指纹系统库。
可以获取预设历史时间段内电力系统设备的监测数据，如前一个月内或者前一个星期内电力系统设备的监测数据，具体时长可以根据需要进行设定。对其中的电力指纹数据特征进行聚类分析，以提取电力系统设备在各工作模式下的电力指纹数据特征，用于构建电力指纹系统库。对电力指纹数据进行聚类，形成聚类簇，每一个聚类簇可以反映一种工作模式下的电力指纹数据特征。进一步的，还可以结合电力系统设备的实际工作状态特性对聚类分析进行指导，如根据电力系统设备的实际工作模式数量预先设置聚类簇的数量，不仅可以非常有效地减少数据运算量，而且可以提升故障预判检测的及时性与准确性。
S103、根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测。
在确定了电力系统设备的工作模式之后，则可以根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测。本实施例中的故障检测模型是分别针对各个工作模式进行训练的，能够凸显电力系统设备在各个工作模式下的特性，因此可以提高故障检测的及时性与准确性。
本实施例提供的电力系统设备的故障检测方法，通过获取电力系统设备的电力指纹数据、声纹数据、温度数据和震动数据，首先根据电力指纹数据确定电力系统设备的工作模式，然后根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对所述电力系统设备进行故障检测，针对电力系统设备在各种工作模式下的工作特点进行差异化的故障检测，从而提高了电力系统设备故障检测的准确性。
在上述实施例的基础上，下面通过具体的实施例来详细说明如何进行故障检测。在一种可选的实施方式中，根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测可以包括：采用滤波器组从所述声纹数据中提取声纹特征，将提取出的声纹特征输入预先训练好的该工作模式的DNN-HMM模型，以确定电力系统设备是否出现异常；对温度数据和震动数据进行一阶差分处理得到平滑向量数据，将平滑向量数据输入预先训练好的该工作模式的ARIMA模型，以确定电力系统设备是否出现异常。
本实施例中的滤波器组可以采用不包括梅尔(MEL)滤波器的标准滤波器组(Filter Bank)。去掉模拟人类听觉系统滤波的MEL滤波器的标准滤波器组，可以更加真实地反映出电力系统设备的声纹特征。采用滤波器组从所述声纹数据中提取声纹特征具体可以包括：对声纹数据进行声纹数据采样、预加重、分帧、加窗和离散傅里叶变换。然后将提取出的声纹特征输入预先训练好的该工作模式的DNN-HMM模型，根据DNN-HMM模型的输出确定电力系统设备是否出现异常。可选的，DNN-HMM模型的输出可以包括：用于指示电力系统设备正常的第一值和用于指示电力系统设备异常的第二值。若DNN-HMM模型输出第二值，则说明电力系统设备存在异常，需要进行告警并及时上报。可选的，ARIMA模型的输出可以包括：用于指示电力系统设备正常的第三值和用于指示电力系统设备异常的第四值。若ARIMA模型输出第四值，则说明电力系统设备存在异常，需要进行告警并及时上报。
以工作模式包括启动、配置、待机、运行和休眠为例，则需要预先训练10个用于进行故障检测的模型。表1为本实施例中需要预先训练的故障检测模型。其中，A1为启动工作模式下基于声纹数据对电力系统设备进行故障检测的DNN-HMM模型；B1为配置工作模式下基于声纹数据对电力系统设备进行故障检测的DNN-HMM模型；C2为待机工作模式下基于温度数据和震动数据对电力系统设备进行故障检测的ARIMA模型；D2为运行工作模式下基于温度数据和震动数据对电力系统设备进行故障检测的ARIMA模型。其他依次类推，此处不再赘述。
表1
下面通过具体的实施例来详细说明如何训练故障检测模型。在一种可选的实施方式中，根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测之前，所述方法还可以包括：根据预设历史时间段内各工作模式下已标记的声纹数据对DNN-HMM模型进行训练，获取各工作模式的DNN-HMM模型；根据预设历史时间段内各工作模式下已标记的温度数据和震动数据对ARIMA模型进行训练，获取各工作模式的ARIMA模型。
获取预设历史时间段内各工作模式下已标记的声纹数据，例如可以将声纹数据标记为正常和异常两种标签，该标记过程可以由人工完成，也可以由计算机完成。然后采用去掉模拟人类听觉系统滤波的MEL滤波器的标准滤波器组对声纹数据进行特征提取，以便更加真实地反映出电力系统设备的声纹特征，具体可以包括对声纹数据进行采样、预加重、分帧、加窗和离散傅里叶变换，然后将提取的特征输入基于深度学习算法的DNN-HMM模型，以所标记的标签作为期望输出，对该工作模式下的DNN-HMM模型进行训练直至模型参数收敛。
预加重计算公式可以为：
其中，X为样本点集合，x为具体样本点取值，k是预增强系数，范围为[0，1)，例如可以取0.97，s(x)为经过预加重计算的结果数据。
加窗操作公式可以为：
S′(n)＝S(n)×W(n)；
其中，S(n)为经过预加重计算的结果数据，S′(n)为经过加窗计算的结果数据，W(n)为汉明窗函数，N为窗口样本点数，a可以取0.46。
离散傅里叶变换变换公式为：
其中，X(k)表示经离散傅里叶变换后的数据，x(n)为离线信号采样点，N为离散信号数量。
获取预设历史时间段内各工作模式下已标记的温度数据和震动数据，例如可以将温度数据和震动数据标记为正常和异常两种标签，该标记过程可以由人工完成，也可以由计算机完成。对温度数据和震动数据进行一阶差分处理后得到平滑向量数据，然后将平滑向量数据输入ARIMA模型，以所标记的标签作为期望输出，对该工作模式下的ARIMA模型进行训练直至模型参数收敛。
ARIMA模型公式为：
其中，yt是当前值，μ是常数项，p是阶数，γi是自相关系数，εt是误差，q为滑动平均项数。
图2为本发明提供的电力系统设备的故障检测方法又一实施例的流程图。如图2所示，本实施例提供的电力系统设备的故障检测方法可以包括：
S201、获取电力系统设备的监测数据，监测数据包括电力指纹数据、声纹数据、温度数据和震动数据。
S202、判断电力指纹数据与预设的电力指纹系统库是否匹配。若否，则执行步骤S203；反之，则执行步骤S204。
S203、确定电力系统设备出现异常，需要进行告警呈现及上报。
S204、根据匹配结果，确定电力系统设备的工作模式。
S205、采用滤波器组从所述声纹数据中提取声纹特征，将提取出的声纹特征输入预先训练好的该工作模式的DNN-HMM模型，以确定电力系统设备是否出现异常。具体的，可以根据该工作模式的DNN-HMM模型的输出，确定电力系统设备是否出现异常。在出现异常时，进行告警呈现及上报。
S206、对温度数据和震动数据进行一阶差分处理得到平滑向量数据，将平滑向量数据输入预先训练好的该工作模式的ARIMA模型，以确定电力系统设备是否出现异常。具体的，可以根据该工作模式的ARIMA模型的输出，确定电力系统设备是否出现异常。在出现异常时，进行告警呈现及上报。
需要说明的是，本实施例并不限定步骤S205和步骤S206的执行顺序。
本实施例提供的电力系统设备的故障检测方法，首先确定电力系统设备的工作模式，然后根据电力系统设备在各种工作模式下的故障检测模型对电力系统设备进行检测，凸显了电力系统设备在各工作模式下的特点，从而提高了电力系统设备故障检测的及时性和准确性。
图3为本发明提供的电力系统设备的故障检测装置一实施例的结构示意图。如图3所示，本实施例提供的电力系统设备的故障检测装置30可以包括：获取模块301、确定模块302和检测模块303。
获取模块301，用于获取电力系统设备的监测数据，监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；
确定模块302，用于根据电力指纹数据确定电力系统设备的工作模式；
检测模块303，用于根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测。
本实施例提供的电力系统设备的故障检测装置可用于执行图1对应的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
可选的，确定模块302用于根据电力指纹数据确定电力系统设备的工作模式，具体可以包括：
将电力指纹数据与预设的电力指纹系统库进行匹配，电力指纹系统库包括电力系统设备在各个工作模式下的电力指纹数据特征；
根据匹配结果，确定电力系统设备的工作模式。
可选的，若匹配失败，则确定电力系统设备出现异常。
可选的，确定模块302用于根据电力指纹数据确定电力系统设备的工作模式之前，还用于：
对预设历史时间段内电力系统设备的电力指纹数据进行聚类分析；
根据聚类结果确定电力系统设备在各个工作模式下的电力指纹数据特征，构建电力指纹系统库。
可选的，检测模块303用于根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测，具体可以包括：
采用滤波器组从所述声纹数据中提取声纹特征，将提取出的声纹特征输入预先训练好的该工作模式的DNN-HMM模型，以确定电力系统设备是否出现异常；
对温度数据和震动数据进行一阶差分处理得到平滑向量数据，将平滑向量数据输入预先训练好的该工作模式的ARIMA模型，以确定电力系统设备是否出现异常。
可选的，检测模块303用于根据预先训练好的该工作模式的故障检测模型，基于声纹数据、温度数据和震动数据对电力系统设备进行故障检测之前，还用于：
根据预设历史时间段内各工作模式下已标记的声纹数据对DNN-HMM模型进行训练，获取各工作模式的DNN-HMM模型；
根据预设历史时间段内各工作模式下已标记的温度数据和震动数据对ARIMA模型进行训练，获取各工作模式的ARIMA模型。
可选的，工作模式可以包括：启动、配置、待机、运行和休眠。
本发明实施例还提供一种电力系统设备的故障检测设备，请参见图4所示，本发明实施例仅以图4为例进行说明，并不表示本发明仅限于此。图4为本发明提供的电力系统设备的故障检测设备一实施例的结构示意图。如图4所示，本实施例提供的电力系统设备的故障检测设备40可以包括：存储器401、处理器402和总线403。其中，总线403用于实现各元件之间的连接。
存储器401中存储有计算机程序，计算机程序被处理器402执行时可以实现上述任一方法实施例提供的电力系统设备的故障检测方法的技术方案。
其中，存储器401和处理器402之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线403连接。存储器401中存储有实现电力系统设备的故障检测方法的计算机程序，包括至少一个可以软件或固件的形式存储于存储器401中的软件功能模块，处理器402通过运行存储在存储器401内的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器401可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器401用于存储程序，处理器402在接收到执行指令后，执行程序。进一步地，上述存储器401内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器402可以是一种集成电路芯片，具有信号的处理能力。上述的处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解，图4的结构仅为示意，还可以包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件和/或软件实现。
需要说明的是，本实施例提供的电力系统设备的故障检测设备包括但不限于以下中的至少一个：用户侧设备、网络侧设备。用户侧设备包括但不限于计算机、智能手机、平板电脑、数字广播终端、消息收发设备、游戏控制台、个人数字助理等。网络侧设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机组成的一个超级虚拟计算机。
本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
虽然在各种实施例中已经示出了本文的原理，但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (8)
1.一种电力系统设备的故障检测方法，其特征在于，包括：
获取电力系统设备的监测数据，所述监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；
根据所述电力指纹数据确定所述电力系统设备的工作模式；
根据预先训练好的该工作模式的故障检测模型，基于所述声纹数据、所述温度数据和所述震动数据对所述电力系统设备进行故障检测；其中，
根据预设历史时间段内各工作模式下已标记的声纹数据对DNN-HMM模型进行训练，获取各工作模式的DNN-HMM模型；
根据预设历史时间段内各工作模式下已标记的温度数据和震动数据对ARIMA模型进行训练，获取各工作模式的ARIMA模型；
采用滤波器组对所述声纹数据进行声纹数据采样、预加重、分帧、加窗和离散傅里叶变换，以提取声纹特征，将提取出的声纹特征输入预先训练好的该工作模式的DNN-HMM模型，以确定所述电力系统设备是否出现异常；其中，所述滤波器组采用不包括梅尔滤波器的标准滤波器组；
所述DNN-HMM模型的输出包括用于指示电力系统设备正常的第一值和用于指示电力系统设备异常的第二值；若DNN-HMM模型输出第二值，说明电力系统设备存在异常，进行告警并及时上报；
对所述温度数据和所述震动数据进行一阶差分处理得到平滑向量数据，将所述平滑向量数据输入预先训练好的该工作模式的ARIMA模型，以确定所述电力系统设备是否出现异常；
所述ARIMA模型的输出包括用于指示电力系统设备正常的第三值和用于指示电力系统设备异常的第四值；若ARIMA模型输出第四值，说明电力系统设备存在异常，进行告警并及时上报。
2.如权利要求1所述的方法，其特征在于，所述根据所述电力指纹数据确定所述电力系统设备的工作模式，包括 ：
将所述电力指纹数据与预设的电力指纹系统库进行匹配，所述电力指纹系统库包括所述电力系统设备在各个工作模式下的电力指纹数据特征；
根据匹配结果，确定所述电力系统设备的工作模式。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
若匹配失败，则确定所述电力系统设备出现异常。
4.如权利要求2所述的方法，其特征在于，所述根据所述电力指纹数据确定所述电力系统设备的工作模式之前，所述方法还包括：
对预设历史时间段内所述电力系统设备的电力指纹数据进行聚类分析；
根据聚类结果确定所述电力系统设备在各个工作模式下的电力指纹数据特征，构建所述电力指纹系统库。
5.如权利要求1-4任一项所述的方法，其特征在于，所述工作模式包括：启动、配置、待机、运行和休眠。
6.一种电力系统设备的故障检测装置，其特征在于，包括：
获取模块，用于获取电力系统设备的监测数据，所述监测数据包括电力指纹数据、声纹数据、温度数据和震动数据；
确定模块，用于根据所述电力指纹数据确定所述电力系统设备的工作模式；
检测模块，用于根据预先训练好的该工作模式的故障检测模型，基于所述声纹数据、所述温度数据和所述震动数据对所述电力系统设备进行故障检测，其中，
根据预设历史时间段内各工作模式下已标记的声纹数据对DNN-HMM模型进行训练，获取各工作模式的DNN-HMM模型；
根据预设历史时间段内各工作模式下已标记的温度数据和震动数据对ARIMA模型进行训练，获取各工作模式的ARIMA模型；
采用滤波器组对所述声纹数据进行声纹数据采样、预加重、分帧、加窗和离散傅里叶变换，以提取声纹特征，将提取出的声纹特征输入余弦训练好的该工作模式的DNN-HMM模型，以确定所述电力系统设备是否出现异常；其中，所述滤波器组采用不包括梅尔滤波器的标准滤波器组；
所述DNN-HMM模型的输出包括用于指示电力系统设备正常的第一值和用于指示电力系统设备异常的第二值；若DNN-HMM模型输出第二值，说明电力系统设备存在异常，进行告警并及时上报；
对所述温度数据和所述震动数据进行一阶差分处理得到平滑向量数据，将所述平滑向量数据输入预先训练好的该工作模式的ARIMA模型，以确定所述电力系统设备是否出现异常；
所述ARIMA模型的输出包括用于指示电力系统设备正常的第三值和用于指示电力系统设备异常的第四值；若ARIMA模型输出第四值，说明电力系统设备存在异常，进行告警并及时上报。
7.一种电力系统设备的故障检测设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-5任一项所述的电力系统设备的故障检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-5任一项所述的电力系统设备的故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010350242.9A CN111488947B (zh) | 2020-04-28 | 2020-04-28 | 电力系统设备的故障检测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010350242.9A CN111488947B (zh) | 2020-04-28 | 2020-04-28 | 电力系统设备的故障检测方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111488947A CN111488947A (zh) | 2020-08-04 |
| CN111488947B true CN111488947B (zh) | 2024-02-02 |
Family
ID=71811197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010350242.9A Active CN111488947B (zh) | 2020-04-28 | 2020-04-28 | 电力系统设备的故障检测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488947B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712111A (zh) * | 2020-12-23 | 2021-04-27 | 南方电网深圳数字电网研究院有限公司 | 设备状态检测方法、电子设备及存储介质 |
| CN113177597A (zh) * | 2021-04-30 | 2021-07-27 | 平安国际融资租赁有限公司 | 模型训练数据确定方法、检测模型训练方法、装置及设备 |
| CN113283510B (zh) * | 2021-05-28 | 2023-05-30 | 国网浙江省电力有限公司杭州供电公司 | 一种基于全业务混合数据的二次设备健康状况分析方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
| CN108038497A (zh) * | 2017-12-05 | 2018-05-15 | 锐捷网络股份有限公司 | 一种交流电设备的工作状态判定模型建立方法及设备 |
| CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
| CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN110010133A (zh) * | 2019-03-06 | 2019-07-12 | 平安科技（深圳）有限公司 | 基于短文本的声纹检测方法、装置、设备及存储介质 |
| CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
| CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
| CN110502395A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于聚类的设备运行状态评估方法、终端设备及存储介质 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
| JP2020064286A (ja) * | 2018-10-12 | 2020-04-23 | 株式会社東陽テクニカ | 異音等検出システム、装置、方法及びプログラム |
| CN111353911A (zh) * | 2020-04-28 | 2020-06-30 | 深圳力维智联技术有限公司 | 电力设备运维方法、系统、设备和存储介质 |
-
2020
- 2020-04-28 CN CN202010350242.9A patent/CN111488947B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
| CN108038497A (zh) * | 2017-12-05 | 2018-05-15 | 锐捷网络股份有限公司 | 一种交流电设备的工作状态判定模型建立方法及设备 |
| CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
| CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
| CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| JP2020064286A (ja) * | 2018-10-12 | 2020-04-23 | 株式会社東陽テクニカ | 異音等検出システム、装置、方法及びプログラム |
| CN110010133A (zh) * | 2019-03-06 | 2019-07-12 | 平安科技（深圳）有限公司 | 基于短文本的声纹检测方法、装置、设备及存储介质 |
| CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
| CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
| CN110502395A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于聚类的设备运行状态评估方法、终端设备及存储介质 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
| CN111353911A (zh) * | 2020-04-28 | 2020-06-30 | 深圳力维智联技术有限公司 | 电力设备运维方法、系统、设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 宋梅村等 ; .基于动态PCA的核动力装置传感器故障检测.武汉理工大学学报(交通科学与工程版).2012,第36卷(第06期),第1184-1187,1191页. * |
| 温粉莲 ; .一种混合模型的时序数据异常检测方法.数字通信世界.2020,(第01期),第15-16,34页. * |
| 邴智刚等 ; .基于虚拟仪器的旋转机械主轴故障在线监测系统研究.机电工程.2016,第33卷(第06期),第722-726页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111488947A (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488947B (zh) | 电力系统设备的故障检测方法与装置 | |
| CN110069810B (zh) | 电池故障预测方法、装置、设备和可读存储介质 | |
| US10795753B2 (en) | Log-based computer failure diagnosis | |
| US11132248B2 (en) | Automated information technology system failure recommendation and mitigation | |
| US10679135B2 (en) | Periodicity analysis on heterogeneous logs | |
| CN103443727B (zh) | 异常检测系统以及异常检测方法 | |
| WO2015021485A1 (en) | A cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
| JP2018045403A (ja) | 異常検知システム及び異常検知方法 | |
| KR20160097029A (ko) | 배터리 상태 추정 장치 및 방법 | |
| CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
| US11774295B2 (en) | Cognitive energy assessment by a non-intrusive sensor in a thermal energy fluid transfer system | |
| JP2017538229A (ja) | 神経言語挙動認識システム用の知覚関連メモリ | |
| Pitakrat et al. | A framework for system event classification and prediction by means of machine learning | |
| CN114662618B (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
| CN109324815B (zh) | 无人车系统升级的监控方法、装置和设备 | |
| JP2018503183A (ja) | 神経言語挙動認識システム用の語彙解析器 | |
| CN108446162A (zh) | 监测JVM Full GC事件的方法及系统 | |
| US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
| US8762080B2 (en) | Computer component detection system and method | |
| JP2019049802A (ja) | 障害解析支援装置、インシデント管理システム、障害解析支援方法及びプログラム | |
| CN112100239A (zh) | 车辆检测设备画像生成方法、装置、服务器及可读存储介质 | |
| Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
| JP7173168B2 (ja) | 異常検知装置、システム、方法及びプログラム | |
| CN114239538A (zh) | 断言处理方法、装置、计算机设备及存储介质 | |
| US11188064B1 (en) | Process flow abnormality detection system and method |
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 |