CN111525694A - 一种基于物联网的开关柜智能标示装置及系统 - Google Patents

一种基于物联网的开关柜智能标示装置及系统 Download PDF

Info

Publication number
CN111525694A
CN111525694A CN202010381260.3A CN202010381260A CN111525694A CN 111525694 A CN111525694 A CN 111525694A CN 202010381260 A CN202010381260 A CN 202010381260A CN 111525694 A CN111525694 A CN 111525694A
Authority
CN
China
Prior art keywords
fault
data
real
switch cabinet
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010381260.3A
Other languages
English (en)
Other versions
CN111525694B (zh
Inventor
邓海力
王铁柱
蔡素雄
高士森
吴豪炎
喻晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huizhou Hongye Electric Power Co ltd
Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Huizhou Hongye Electric Power Co ltd
Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huizhou Hongye Electric Power Co ltd, Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Huizhou Hongye Electric Power Co ltd
Priority to CN202010381260.3A priority Critical patent/CN111525694B/zh
Publication of CN111525694A publication Critical patent/CN111525694A/zh
Application granted granted Critical
Publication of CN111525694B publication Critical patent/CN111525694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
    • Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol

Abstract

本发明所提出的一种基于物联网的开关柜智能标示装置及系统，具体通过构建SML模型对所采集的设备运行参数进行故障的检测和预测，进而提供了一种集数据采集模块、数据处理中心模块、标示装置为一体的信息交互技术平台，克服了现有标示牌的容易移位或信息更新不及时或信息错乱等缺陷，有效提高了现场运行人员检修及排查故障的效率及对故障检测判断能力，进而采用神经网络算法进行SML模型的优化，提高SML模型的精确度和真实性，还进一步构建贝叶斯预测模型进行故障风险预测，有效地将故障遏制在发生之前，实现科学的智能化管理，保障了电力系统安全稳定运行。

Description

一种基于物联网的开关柜智能标示装置及系统
技术领域
本发明涉及一种变电站电气设备领域，特别是涉及一种基于物联网的开关柜智能标示装置及系统。
背景技术
目前，对于变电站中电力设备的安全管控，主要通过对站内各电气及通讯设备运行数据的实时监控，将运行中产生的实时运行数据，传输至管理平台进行监控管理。当发现异常数据时，管理平台发出告警信号，会通知运行人员进行现场检查，而运行人员在接到告警通知后还需进行故障检测及逐一排查，容易造成抢修不及时导致的重大灾害，对于经验不足的运行人员、或新出现的故障问题，难以在短时间内通过人为主观判断准确找到故障原因，并作出科学的抢修决策。因此，现有的技术还采用了基于机器学习（MachineLearning），即一种通过计算机模拟进行获取新知识或技能的方式进行故障处理，但电力工作属于特殊的行业，集系统庞大性、高危性、高技术性、高要求性等为一体，且大部分电力设备均在户外，一旦发生故障，若未能在第一时间内发现问题并进行抢修，将造成严重的、覆盖性的电力系统瘫痪，甚至危及人们的生命财产安全，而通过现有的机器学习形式不足以实现自动进行学习并自动优化预测的效果，尤其是在电力行业中的应用不够成熟。此外，在故障抢修过程中往往涉及运行部门，检修部门等多个生产部门的协调合作，中间人员的调配、换班等，均通过安装标示牌进行信息传递及信息共享，而传统标示牌的放置通常采用悬挂或粘贴的方式，易造成标示牌脱落、掉色、标示不明显、标示错误和标示牌掉入开关柜内部等情况，进而易造成工作人员误入带电间隔、误触带电设备，导致安全事件发生，严重影响了人身和设备的安全运行。为了更好解决以上现有技术中存在不足，本发明提出一种基于物联网的开关柜智能标示装置及系统，不仅可以保障运行人员的生命安全，还可以提高电力系统中的故障抢修效率及准确性。
发明内容
本发明提出一种基于物联网的开关柜智能标示装置及系统，旨在解决现有技术中电力系统故障处理不及时，技术操作不精确等技术问题。本发明的技术方案如下。
一种基于物联网的开关柜智能标示装置，包括数据采集中心、数据管理中心、标示装置，其中。
所述数据采集中心，安装于开关柜中运行设备终端的各节点上，用于采集运行设备的各节点实时电气参数，并同步更新至所述数据管理中心。
所述数据管理中心，包括数据处理单元、标准数据库单元。
所述数据处理单元，包括预处理模块、计算模块及数据预测模块，其中，所述预处理模块，用于对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集。所述计算模块，通过构建自适应-机器学习模型（Self-Machine Learning，SML）进行开关柜内运行设备的各节点故障检测，包括提取所述标准化数据集的特征数据，通过所述特征数据与所述标准数据库单元进行映射计算，实现开关柜内运行设备的各节点故障检测，并生成实时体检报告，发送至所述标示装置，通过所述SML模型的迭代获得对所述特征数据与所述映射计算的记忆学习，采用所述记忆学习进行SML模型优化。所述数据预测模块，通过构建贝叶斯预测模型，基于实时电气参数及已有的历史电气参数进行故障预测分析，生成预测结果发送至所述标示装置。
所述标准数据库单元包括正常状态数据库和故障数据库。其中，所述正常状态数据库，用于判断运行设备是否存在故障；所述故障数据库，用于识别运行设备所发生的故障类型。
所述标示装置，安装于开关柜外侧，用于显示开关柜设备运行的信息、体检报告及预测结果，包括双编显示单元、运行状态单元、故障分析单元、及故障预测单元。通过设置人性化的显示单元，可以让运行人员在进行抢修或检修工作时，实时参考工作方案，直接获取故障分析结果及故障预测结果，提升作业效率，能更好的对症下药解决故障问题或做好预防故障风险工作。
其中，所述数据采集中心的数据输出端连接所述数据管理中心的数据缓存区，所述数据采集中心还包括：至少一种电气参数采集仪，至少一种传感器，作为优选的，包括电量采集仪，电压检测器，电流检测器，温度传感器，湿度传感器，但不限于此；所述实时电气参数包括至少一种数据类型，作为优选的，包括电压电流等数值型数据，温度值数据，湿度值数据，但不限于此。还包括由于不同的厂家或型号的电气设备，导致输出数据的类型也缺乏统一标准化，故数据采集中心获取的运行设备的初始值包括至少一种数据类型。
作为优选的，所述双编显示单元，用于设置运行设备双编名称，并作为标示装置默认首页，用于让运行人员可以在设定距离内均可以清楚看清开关柜标示信息。
所述运行状态单元，用于显示开关柜当前运行状态。作为优选的，包括或运行状态，或热备用状态，或冷备用状态、或检修状态、或故障状态，可以让运行人员在日常检修中第一时间发现实时的状态提示信息，并及时维修。
所述故障分析单元，用于读取所述计算模块所生成的实时体检报告，并显示运行设备故障信息，包括：故障类型、故障位置、故障原因，但不限于此。
所述故障预测单元，显示所述预测结果，用于运行设备故障风险提示，供运行人员作排查工作的参考，或工作指示。
本发明所提供的装置可用于变电站中进行电力运行设备的监督工作，可以替代人工对电力设备进行24小时的监管，具体可用于开关柜上，进行实时监管和故障预测。
作为另一优选的，本发明还提供了一种基于物联网的开关柜智能标示系统，具体包括：
（1）获取所述数据采集层的实时电气参数，通过对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集；
（2）通过所述计算模块构建SML模型，提取所述标准化数据集的特征数据，通过所述特征数据与所述标准数据库单元进行映射计算，实现开关柜内运行设备的各节点故障检测，并生成实时体检报告，发送至所述标示装置。在映射计算前，还包括通过对特征数据与映射计算的记忆学习，当同一设备出现同一故障的次数达到一记忆阈值时，若再次出现同样的故障，则跳过所述映射计算，调取原体检报告作为实时体检报告。在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中，使系统进行SML的迭代，在下次出现同样故障时，能准确识别故障数据；
（3）获取所述数据处理单元预处理模块的实时电气参数及已有的历史数据，构建贝叶斯预测模型，进行故障预测分析。
其中，所述（1）中，还包括：
（1-1）对所述数据采集中心采集的数据进行归一化计算并获得实时电气参数的特征数据；
（1-2）根据运行设备的各个节点故障类型构建标准化数据集，所述标准化数据集由所述特征数据构成。
其中，所述（2）中的实现开关柜内运行设备的各节点故障检测，还包括如下。
（2-1）分别在所述正常状态数据库和所述故障数据库中，进行故障检测。
（2-2）若所述特征数据映射至所述正常状态数据库中，则说明开关柜内运行设备均处于正常运行状态，继续执行新一轮的实时电气参数故障检测。
（2-3）若所述特征数据映射至所述故障数据库中，则说明开关柜内运行设备存在故障，且识别出所述故障类型为故障数据库中的至少一种，调取原体检报告作为实时体检报告，并发送至标示装置，同时对该特征数据及其映射计算进行记忆学习。
（2-4）若所述实时电气参数未存在映射对象，则判定为存在新故障，并生成新的实时体检报告，并发送至标示装置。
进一步的，所述（2）中的在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中，还包括：所述故障数据库根据故障类型进行管理，并采用神经网络算法将所述新故障数据模型进行SML模型的优化。
其中，所述（3）中所述构建贝叶斯预测模型，还包括：已知K-1时刻的后验概率，为
Figure RE-746231DEST_PATH_IMAGE001
，则计算K时刻的先验概率为
Figure RE-993542DEST_PATH_IMAGE002
，计算公式为：
Figure RE-48348DEST_PATH_IMAGE003
，
式中，
Figure RE-621280DEST_PATH_IMAGE004
为运行参数状态转移的密度，由电气设备的运行状态决定；
Figure RE-73121DEST_PATH_IMAGE005
为K时刻开关柜运行时的特征数据，
Figure RE-891167DEST_PATH_IMAGE006
为K时刻开关柜的实时电气参数。
进而执行基于贝叶斯预测模型的故障预测分析，计算公式为：
Figure RE-377643DEST_PATH_IMAGE007
，其中，式中
Figure RE-855898DEST_PATH_IMAGE008
为标准似然度，取决于运行设备系统自身的参数；
Figure RE-534049DEST_PATH_IMAGE009
为归一化常数，为
Figure RE-405053DEST_PATH_IMAGE010
。
所述贝叶斯预测模型还包括：通过公式：
Figure RE-DEST_PATH_IMAGE011
进行预测模型检验，其中，所述
Figure RE-683718DEST_PATH_IMAGE012
代表故障预测值，
Figure RE-349186DEST_PATH_IMAGE013
代表已有的历史故障参数的均值，
Figure RE-24887DEST_PATH_IMAGE014
为实时电气参数，
Figure RE-699582DEST_PATH_IMAGE015
为第
Figure RE-645803DEST_PATH_IMAGE016
组实时电气参数。
作为另一优选的，所述标示装置在设备正常运行状态时，用于设备双编名称及开关柜当前运行状态的切换显示；在故障状态时，标示装置左上角的故障指示灯进入闪烁报警状态，当运行人员进行故障检修时，通过点击所述故障分析单元控件获取故障类型、故障位置及故障原因等信息；或点击故障预测单元控件获取相应的故障预测分析结果，所述故障预测单元还包括自动执行预测模块进行故障风险预测，并将预测结果同步至标示装置。
本发明所提供的一种基于物联网的开关柜智能标示装置及系统，主要包括通过数据采集中心获取电力运行设备的实时运行参数，进而通过数据管理中心进行检测和预测，具体采用多源异构数据处理模型将实时电气参数进行预处理，实现数据归一化；进而通过所述计算模块提取的特征数据与所述标准数据库单元进行映射计算实现开关柜内运行设备的各节点故障检测；生成实时体检报告，并发送至所述标示装置。及采用自适应-机器学习模型（SML），将运行设备出现的新故障数据模型或新研究的故障数据模型更新至所述故障数据库中，使系统进行机器学习，不断加强系统识别故障的能力。从而有效保证了电气运行设备的故障检测，成功解决了目前开关柜设备只能简单粗略的显示故障信息，造成的不能具体检测到故障点发生位置，进而降低了现场运行人员检测及排查故障的效率，及增加了运行人员处理故障的时间，容易造成因抢修不及时导致的重大灾害的技术问题。本发明进一步改进了利用历史数据进行机器学习来增加管理平台对故障检测判断的能力，以及设置的智能化标示牌，成功解决了传统标示牌的放置通常采用悬挂或粘贴的方式，易造成标示牌脱落、掉色、标示不明显、标示错误和标示牌掉入开关柜内部等情况，易导致安全事件的发生的缺陷。
相比于现有技术中，本发明还进一步获取数据处理单元预处理模块的实时电气参数及已有的历史数据，构建贝叶斯预测模型，进行故障预测分析，并将预测结果同步更新至实时体检报告中，进一步提升了开关柜的故障智能预测能力，通过科学的故障预测，大大降低了开关柜的故障发生频率，真正实现了防范于未然的电力监管效果。
附图说明
图1为本发明实施例的一种基于物联网的开关柜智能标示装置示意图。
图2为本发明实施例的标示装置的双编显示单元界面示意图。
图3为本发明实施例的标示装置的运行状态单元界面示意图。
图4为本发明实施例的标示装置的故障分析单元界面示意图。
图5为本发明实施例的标示装置的故障预测单元界面示意图。
图6为本发明实施例的一种基于物联网的开关柜智能标示系统示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了使本技术领域的人员更好地理解本发明方案，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。
如图1所示为本发明实施例的一种基于物联网的开关柜智能标示装置示意图，具体的，是一种应用于变电站的开关柜智能标示装置，其中，开关柜内主回路设备包括：电压互感器、电流互感器、绝缘子、接地开关、氧化锌避雷器、高压熔断器和高压断路器等均为一次设备，以及继电保护器、控制装置、环境温湿度传感器及微机保护显示装置等，这类电气设备一般为二次设备。进一步开关柜还分为：固定式开关柜或移开式开关柜，本发明所提供的基于物联网的开关柜智能标示装置，主要包括数据采集中心、数据管理中心、标示装置。进一步的，所述数据采集中心，安装于开关柜中运行设备终端的各节点上，用于采集运行设备的各节点实时电气参数，其中，所述参数就是开关柜运行过程中各个电力设备产生的参数值，包括电压值、电流值、温度值、开关柜中湿度值等等，并将所获取的设备运行实时电气参数同步更新至所述数据管理中心，作为优选的，所述数据管理中心还包括数据存储器，具体包括一数据缓存区，及用于存储来自数据采集中心的实时电气参数，及内存用于存储所有历史电气参数。作为优选的，数据采集中心通过传感器或数据参数采集仪等设备进行运行设备的参数采集，例如，开关状态监测仪YT9300，用于监测断路器合/分状态，或相线路带电状态。还例如，电力参数采集仪TTZJ-1,用于检测电路中的电流、电压参数，或设备有功或者无功功率等功率参数。还例如，湿度传感器或者红外温度传感器等进行开关柜中各运行设备的参数监控及采集，还可以通过获取电路中自带的电压互感器或电流互感器进行参数的采集，但不限于此，其中，各传感器及电力参数采集仪分别安装于开关柜中的一次设备及二次设备的各个节点及线路连接处，包括母线、断路器及其并联元件、隔离开关节点、电流互感器节点、电压互感器节点、避雷器节点、耦合电容器节点等，以及继电保护器节点、变压器保护装置节点、故障录波器节点等。
所采集的数据可以通过有线或者无线方式传输至数据给管理中心进行数据处理。
所述数据管理中心，包括数据处理单元、标准数据库单元。
所述数据处理单元，包括预处理模块、计算模块及数据预测模块，其中，预处理模块用于对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集。
其中，标准化数据集是根据故障类型进行划分，具体如表1所示：
Figure RE-731440DEST_PATH_IMAGE017
表1：开关柜的标准化数据集
其中，标准化数据集包括：A类数据集，B类数据集,C类数据集，D类数据集，每一个数据集中还包括数据子集，例如A类={A1,A2,...，A7}，每一个数据子集中进一步包括了节点数据集，例如，A1={a11,a12,...a1n},从而构成一个标准化数据集，即A类数据集为：
Figure RE-645169DEST_PATH_IMAGE018
。其中，a11，a12,...a1n为运行设备各节点的实时电气参数值进行归一化的数值，即将所述实时数据按时间序列进行划分，每隔5min进行一次实时数据预处理，根据设备正常运行时参数的均值
Figure RE-DEST_PATH_IMAGE019
和方差
Figure RE-546391DEST_PATH_IMAGE020
，计算实时电气参数的偏差值
Figure RE-845655DEST_PATH_IMAGE021
作为归一化后的实时电气参数值的特征数据。
作为优选的，为了确保所述数据处理单元可以识别和处理数据采集单元获取的数据，此处采用统一的数据转换接口，对数据采集中心上传的数据进行统一转换，可选的，采用RS-232-C通信接口，以及采用变换、滤波、S/H、A/D将所采集的交流电量信息进行离散化处理后获取有效数据值，其中，A/D转换可选为采用TLC0831，或AD574等，用于将数据采集中心获取的参数值转换成合适的电信号数值，便于后续数据的预处理。进一步的，预处理模块还包括，在实时电力参数上传的过程中，对于缺失数据部分，进行去除，重新采集补充完整，获得基于时间序列的实时电气参数，若在第n秒数据未采集到某个数据参数时如电压值缺失，则将该第n秒是数据进行全部去除，重新获取下一时间的运行数据，作为补充，从而确保数据完整性，便于后期故障检测和风险预测计算，避免由于数据缺失造成数据紊乱，或数据不对应造成的误判。
所述计算模块，构建自适应-机器学习模型（SML），提取所述标准化数据集的特征数据，通过所述特征数据与所述标准数据库单元进行映射计算，实现开关柜内运行设备的各节点故障检测，并生成实时体检报告，发送至所述标示装置，通过所述SML模型的迭代获得对所述特征数据与所述映射计算的记忆学习，采用所述记忆学习进行SML模型优化；所述数据预测模块，通过构建贝叶斯预测模型，基于实时电气参数及已有的历史电气参数进行故障预测分析，生成预测结果发送至所述标示装置。
所述标准数据库单元包括正常状态数据库和故障数据库。其中，所述正常状态数据库为正常运行时的参数样本集，其包括A类数据集，B类数据集,C类数据集，D类数据集，通常为预设的定值，用于判断运行设备是否存在故障。所述故障数据库为运行中存在故障时的参数样本集，也包括A类数据集，B类数据集,C类数据集，D类数据集，用于识别运行设备所发生的故障类型。所述SML模型会自动将每一次出现的新参数加入到对应的参数样本集中作为自适应学习，从而增加SML模型对于故障的诊断能力。作为优选的，所述正常状态数据库中的参数样本集可根据开关柜中的设备更换或增加进行参数更新或补充，即通过SML模型的自适应学习新的设备参数，并实时更新至所述正常状态数据库的参数样本集中，增强SML模型的灵活性。作为优选的，所述故障数据库基于每一次故障时的电气参数进行机器学习，进一步的，基于每一次新增的故障电气参数进行自适应机器学习。
作为优选的，映射计算即将所获取的实时电气参数的特征数据，通过正常状态数据库进行故障判断，若所述特征数据与正常状态数据库中的参数样本集一致，则符合设备运行的正常值，说明设备处于正常状态。若与所述正常状态数据库中的参数样本集未能匹配成功，则初步判断出设备处于非正常状态，进而通过故障状态数据库进行故障判断，若属于故障数据库中的至少一种，则直接获取该故障的体检报告，若在已有的故障数据库中没发现有记录的，则判定为新故障，根据新故障异常值所属的检测节点位置及其异常数值，生成一新体检报告，并将新故障的特征数据加进故障数据库中，作为SML模型的自适应学习样本，通过多次迭加和监测，不断完善故障发生时存在的多种形式，提高SML模型对故障的精准定位和快速发现故障能力，进而最大限度地通过故障参数值反映出故障原因及故障类型。
所述标示装置，安装在开关柜外侧用于呈现开关柜设备运行的信息，包括双编显示单元、运行状态单元、故障分析单元、及故障预测单元。通过智能标示装置替代现有中传统的标示牌，可以有效解决传统标示牌功能单一，制作时间和成本高，以及对于多班组轮班检修时，由于传统标示牌受外界或人为因素干扰容易导致信息传达错误的缺陷。
所述数据采集中心的数据输出端连接所述数据管理中心的数据缓存区，还包括：至少一种电气参数采集仪，至少一种传感器，所述实时电气参数包括至少一种数据类型，例如：电量采集仪、温度传感器、声波传感器、湿度传感器及其他，将采集的信息通过有线或无线形式上传至数据管理中心，作为优选的，检测的参数主要以开关柜检修作业为主，故障检测节点可选为：（1）开关柜中的温度湿度检测，放电强度检测；（2）开关柜中的开关、刀闸温度检测；（3）开关柜中的开关、刀闸电压、电流检测；及其他。
进一步的，为了解决传统标示牌的放置通常采用悬挂或粘贴的方式，易造成标示牌脱落、掉色、标示不明显、标示错误和标示牌掉入开关柜内部等问题，易导致安全事件的发生。且如需更新、更改制作标示牌，制作周期较长，且各标示牌伤损破旧程度不一，不便于统一管理的缺陷。本发明进一步提供了标示装置，具体包括如下。
所述双编显示单元（参见图2所示），用于设置运行设备双编名称，如10kV的环网线F15，并作为标示装置默认首页，用于让运行人员辨识各个开关柜及其设备，且通过电子显示屏的形式进行呈现，实现统一智能化管理，解决了现有技术中由于人为或其他环境因素导致的标示牌误挂，或移动，或信息标示不准确等缺陷。
所述运行状态单元（参见图3所示），用于显示开关柜当前运行状态，例如运行状态、热备用、冷备用、检修状态、故障状态，但不限于此。运行人员可以一目了然观察各个开关柜及其设备的运行状态。
所述故障分析单元（参见图4所示），用于读取所述计算模块所生成的实时体检报告，并显示运行设备故障信息，包括：故障种类、故障位置及故障原因，作为优选的，故障类型中包括开关柜局部放电故障、开关绝缘降低故障、刀闸发热故障等。且故障类型不一样，引起故障的原因及发生故障的位置也包括多种，例如开关柜高压电气设备处在气体电介质中，当击穿场强的气体的局部场强达到其击穿场强时，这部分气体开始放电则会以声音、震动、高温、甚至是气味等形式表示出来，因此通过一些传感器或异常数据采集仪进行监控，例如材料氧化引起的故障类问题，刀闸接线端与动静触头在大气中长期裸露运行,受环境侵蚀,接触面氧化使导体表面电阻增加，或者是在刀闸拉合过程中由于电弧放电高温使触头连接处接触面氧化，则通过传感器对刀闸温度及电阻的监控和检测可以发现开关柜刀闸故障问题。
所述故障预测单元（参见图5所示），用于运行设备故障风险提示，供运行人员作排查工作的参考，或工作指示。作为优选的，故障预测单元设置为3天或者1周进行未来预设时间段内的故障风险预测，例如，通过过去近2周时间内的运行设备监控数据，发现电阻值存在持续性增大，则根据预测模型，进行分析，预测出由于电路出现不时短路导致电阻参数异常，并提示运行人员进行故障排查。根据数据来源，获取相应的故障定位，并在故障预测单元界面显示相关的预测结果。
作为本发明的另一实施例，本发明还提供了一种基于物联网的开关柜智能标示系统，具体包括如下。
（1）获取所述数据采集中心的实时电气参数，通过所述预处理模块对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集。其中，为了确保数据传输的统一性及数据之间的兼容性，优选的采用统一交换接口与标准，在数据传输过程中，实现数据的融合和信息共享，确保访问端与数据获取端数据格式一致化，以及根据不同厂家设置的数据标准格式，进行同等级替换，保证例如高频或低频，高电平或低电平数据表示一致。进一步的，即将所述实时数据按时间序列进行划分，按照预设时间段进行一次实时数据预处理，根据设备正常运行时参数的均值
Figure RE-869237DEST_PATH_IMAGE022
和方差
Figure RE-DEST_PATH_IMAGE023
，计算实时电气参数的偏差值
Figure RE-191634DEST_PATH_IMAGE024
作为归一化后的实时电气参数值的特征数据，基于该特征数据及故障类型构建标准化数据集进行统一的数据管理。
（2）构建SML模型，将所述计算模块提取的特征数据与所述标准数据库单元进行映射计算实现开关柜内运行设备的各节点故障检测，生成实时体检报告，并发送至所述标示装置。在映射计算前，还包括通过对特征数据与映射计算的记忆学习，当同一设备出现同一故障的次数达到一记忆阈值时，若再次出现同样的故障，则跳过所述映射计算，调取原体检报告作为实时体检报告，其中原体检报告即为首次出现该故障时所生成的体检报告，由于后续检测结果属于同样故障，为了减少数据的冗余性，对于属于同样故障时不再重新生成新的体检报告，直接获取原体检报告即可；在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中，使系统进行SML的迭代，在下次出现同样故障时，能准确识别故障数据，即通过大数据的学习，以及生产人员根据经验，进行人为干预，调整或者更新故障数据库中的故障样本，从而提高SML模型对故障的检测能力。例如，刀闸发热故障，根据历史的故障检测，可归类为：（1）触头部位及导线的引流线夹接触不良原因；（2）弹簧压接的触点或刀口过热原因；（3）支柱瓷瓶劣化导致的支柱瓷瓶整体温度升高，上述历史故障检测数据存储在故障数据库中，当检测到刀闸存在异常时，将检测到的实时电气参数的特征值在标准数据库单元中进行对比，进行映射计算，获得结果为：映射至故障数据库中（2）弹簧压接的触点或刀口过热原因导致的故障，每一次映射计算均进行一次记忆学习，通过统计学方法，当弹簧压接的触点或刀口过热原因导致刀闸发热故障次数达到20次数时，在下一次再检测出触点或刀口过热时，即第21次出现相同的故障，则直接获取相应的故障体检报告，则不再进行映射计算。从而大大节省了数据的数据过程，提高了数据计算效率和故障反应时间得到了缩短，实现了快速响应。
（3）通过所述数据预测模块构建贝叶斯预测模型，基于所述实时电气参数的特征数据及所述标准数据库单元中已有的历史电气参数特征值进行故障预测分析，生成预测结果发送至所述标示装置。
进一步的，所述（1）中，还包括：
（1-1）对所述数据采集中心采集的数据进行归一化计算并获得实时电气参数的特征数据；
（1-2）根据运行设备的各个节点故障类型构建标准化数据集，所述标准化数据集由所述特征数据构成。
进一步的，所述（2）中，还包括：
（2-1）分别在所述正常状态数据库和所述故障数据库中，进行故障检测；
（2-2）若所述特征数据映射至所述正常状态数据库中，则说明开关柜内运行设备均处于正常运行状态，继续执行新一轮的实时电气参数故障检测；
（2-3）若所述特征数据映射至所述故障数据库中，则说明开关柜内运行设备存在故障，且识别出所述故障类型为故障数据库中的至少一种，调取原体检报告作为实时体检报告，并发送至标示装置；并进行一次记忆学习，将出现相同节点的相同故障次数进行累加1，当累计出现故障次数达到预设的记忆阈值，则说明该类故障发生的频次较多，后续再出现相同故障时，检测过程根据记忆学习结果，可以直接给出故障诊断结果，不需再从头进行特征数据的故障判断过程，通过直接获取原体检报告，结束该轮故障检测判断过程，原体检报告为该同样故障首次出现时所生成的体检报告，从而不断提升了SML模型的故障快速响应能力，和快速数据判断能力，且根据记忆学习，不断去强化系统对于相同故障的判断，通过达到一定记忆次数，就可以直接根据特征数据给出判断结果，进而完成对SML模型的自适应优化效果；
（2-4）若所述实时电气参数未存在映射对象，则判定为存在新故障，并生成新的实时体检报告，并发送至标示装置。进一步通过标示装置的故障分析单元进行呈现，根据不同时段的故障检测所生成的体检报告依次进行更新并呈现。
所述（2）中的在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中,还包括：所述故障数据库根据故障类型进行管理，并采用神经网络算法将所述新故障数据模型进行SML模型的优化。神经网络算法作为数据处理分类器中的一种，采用神经网络算法可以有效将无序的故障数据库中繁杂的数据，按照其故障类型进行分类，包括电压类故障：如过电压，欠电压等；或电流类故障：断路原因，短路原因，电流不平衡等；或者开关柜过热类问题：设备老化故障，或电路烧断故障等。通过神经网络算法进行故障数据库的优化管理，在后序进行实时电气参数的特征数据故障检测时，优选根据其中数据异常值进行相对应故障类别判断，例如，开关柜正常工作电压400V，绝缘电压为690V，检测到的实时电压参数为710V，则将大于690V的实时电压参数数据特征值均归类至过电压类，出现过电压故障时，开关柜外壳就会带电，属于非常危险情况，需要通知运行人员进行故障抢修。
所述（3）中所述构建贝叶斯预测模型，还包括：已知K-1时刻的后验概率，为
Figure RE-473710DEST_PATH_IMAGE025
，则计算K时刻的先验概率为
Figure RE-128945DEST_PATH_IMAGE026
，计算公式为：
Figure RE-DEST_PATH_IMAGE027
，式中，
Figure RE-228488DEST_PATH_IMAGE028
为运行参数状态转移的密度，由电气设备的运行状态决定；
Figure RE-601963DEST_PATH_IMAGE029
为K时刻开关柜运行时的特征数据，
Figure RE-405839DEST_PATH_IMAGE030
为K时刻开关柜的实时电气参数。
进而执行基于贝叶斯预测模型的故障预测分析，计算公式为：
Figure RE-696006DEST_PATH_IMAGE032
，其中，式中
Figure RE-795812DEST_PATH_IMAGE033
为标准似然度，取决于运行设备系统自身的参数；
Figure RE-905850DEST_PATH_IMAGE034
为归一化常数，为
Figure RE-778997DEST_PATH_IMAGE035
。从而计算出下一次出现故障的概率，供生产人员参考，提前做好风险控制。
所述贝叶斯预测模型还包括：通过
Figure RE-DEST_PATH_IMAGE036
进行预测模型检验，其中，所述
Figure RE-92647DEST_PATH_IMAGE037
代表故障预测值，
Figure RE-393047DEST_PATH_IMAGE038
代表已有的历史故障参数的均值，
Figure RE-990381DEST_PATH_IMAGE039
为实时电气参数，
Figure RE-DEST_PATH_IMAGE040
为第
Figure RE-558897DEST_PATH_IMAGE041
组实时电气参数。根据所述
Figure RE-823656DEST_PATH_IMAGE042
值进行判断上述预测结果是否符合实际情况，其中，
Figure RE-265264DEST_PATH_IMAGE043
值越小则说明通过该贝叶斯预测模型预测的结果越真实。作为优选的，所述预测计算采用MATLAB进行计算和仿真。
如图6所示为本发明实施例的一种基于物联网的开关柜智能标识系统示意图，通过采集中心获取采集的数据，进行数据预处理后，采用所构建的SML模型进行数据故障检测，判断是否属于正常值，若属于正常运行参数值，则返回持续获取采集数据，不断进行实时数据的获取和数据故障检测的循环迭代。当检测到异常数据时，则根据SML模型的t-1次记忆学习的结果进行t次判断，若判断为属于相同故障，则累计加强该故障的记忆学习，当累计出现相同故障次数达到一阈值时，则通过记忆学习可以直接做出故障的诊断，直接获取原体检报告作为此次故障检测报告，否则，按照标准的SML模型故障检测流程进行故障检测，也就是通过计算模块提取的实时数据特征数据与标准数据库单元进行故障检测，其中，在故障检测时，优选为并行式计算过程，当在故障数据库中匹配到一种，或多种相同故障数据时，则判断为属于该类故障，结束故障检测，调取原本的故障体检报告作为此次故障检测的体检报告，不需要新建体检报告，从而减少数据的冗余，提高故障检测的效率，及相同故障识别的极速反应。当故障数据库不存在相同的参数值时，即判断为出现了新的故障，根据该新的故障参数生成新的一份实时体检报告，并进一步根据该新的故障参数进行SML模型优化，进一步通过神经网络算法将该数据进行分类，并汇总至故障数据库中对应的故障类别，或新增一故障类别作为后续故障检测的参考，通过不断的发现新的故障问题，以及不断记忆学习已有的故障问题，不断优化SML模型，提升SML模型的自学习能力和自适应能力，并结合大数据的分析，一旦发现新故障新问题时，可以快速响应，并纳入学习范围和故障数据库中，后续再次出现相同故障时，便于SML模型的故障识别和检测。发现旧故障就问题时，可以直接获取原体检报告，减少不必要的数据计算过程。所有的数据检测生成的体检报告均通过标示装置进行呈现，其中，本发明结合现有技术中标示牌的多种缺陷进行智能化标示牌的设置，且为了更好得呈现出开关柜的信息及故障问题，设置多个界面，呈现方式采用多种，还包括对于开关柜故障预测结果的呈现，其中，故障预测是基于数据库中已有历史数据，包括正常或故障数据，以及结合最新获取的实时数据，通过构建贝叶斯故障预测模型进行故障风险概率的计算，并基于故障数据库中的故障类型，进行不同故障类型的风险概率预测，供运行人员作检修工作时加强故障风险的排查，且基于故障风险预测的结果进行有目标的排查，确保作业安全性，也基于大数据的计算结果，增加了风险预测的真实性。且还进一步通过预测模型检验计算，对每一份出具的风险预测结果检验其真实可靠性，预防数据自身紊乱性导致的风险误判。其中，所提供的标示装置可选的是可触屏的显示装置，或平板型数字屏幕，安装于开关柜上，作为优选的，安装于开关柜外侧供生产人员查阅以及故障信息提示。
进一步的，所述故障体检报告，根据故障预测到的信息判断所述实时电气参数为故障参数，则根据数据的来源信息，获取其故障节点位置信息，以及根据标准数据库单元中所述故障类型进行故障标签获取，用于说明故障类型，进一步，根据实时数据进行故障原因追踪，作为优选的，根据已有的故障数据进行故障原因查找，并将故障原因，故障类型及故障位置等信息汇总，生成故障体检报告。
如图2-5所示，为所述标示装置的不同展示界面，可选的可以通过运行人员直接在界面上点击空间，发出指令，获取相应指令信息，还可以设置为定时自动获取信息，如每隔7天获取一次数据预测结果，并呈现在故障预测单元的界面上，或基于运行人员手动获取最新的数据预测结果，同时，每一份数据预测结果上备注有获取时间，供运行人员参考并实时更新。
作为优选的，所述标示装置还包括：
在正常运行状态时，用于设备双编名称及开关柜当前运行状态的切换显示，可选的通过设置切换显示时间，例如，设备双编名称作为开关柜的识别作用，优选的设置其显示时间为10s，进而设置开关柜当前运行状态界面的显示时间为5s，或根据具体情况，进行灵活设置。
在故障状态时，标示装置左上角的故障指示灯进入闪烁报警状态，作为优选的，故障指示灯采用红色进行醒目提示，还可以通过声报提示运行人员，不限于此。当运行人员进行故障检修时，通过点击所述故障分析单元控件获取故障类型、故障位置、故障原因。或点击故障预测单元控件获取相应的故障预测分析结果，所述故障预测单元还包括自动执行预测模块进行故障风险预测，并将预测结果同步至标示装置。预测结果中包括基于实时数据参数和历史的数据参数进行大数据计算，优选的采用贝叶斯故障预测模型进行故障预测，并将故障类型，故障原因，故障位置，以及不同故障发生的概率，进行量化后，提示运行人员进行风险防范。
由于变电站设备管理平台产生了大量的设备正常运行信息与故障信息，管理平台只是实时监控了设备状态，无有效的利用历史数据进行机器学习来增加管理平台对故障检测判断的能力。
综上所述，本发明所提出的一种基于物联网的开关柜智能标示装置及系统，具体通过构建SML模型对数据采集模块所采集的运行设备参数进行故障的检测和预测，进而提供了一种集数据采集模块、数据处理中心模块、标示模块为一体的信息交互技术平台，有效解决了电力故障的抢修困难问题，有效提高了现场运行人员检测及排查故障的效率，利用有效的利用历史数据进行自适应机器学习来增加管理平台对故障检测判断的能力，通过所提高的系统或装置进行大数据管理，进一步给电力的运行人员和运行人员带来了工作上的便利和安全保障。与现有技术相比，本发明还进一步提供了用于开关柜的智能标示装置，不但可以取代传统的标示牌，还可以满足变电站开关柜运维检修的作业需要，尤其是对于开关柜的检修作业，不但确保数据信息的准确和实时，还确保标示装置的不错乱，信息更新及时和精准，尤其是作业人员还可以根据预测信息进行风险防控，有效保障了开关柜的正常运行，和实现了对开关柜的智能化管理。
虽然对本发明的描述是结合以上具体实施例进行的，但是，熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化、是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。

Claims (10)

1.一种基于物联网的开关柜智能标示装置，其特征在于，包括数据采集中心、数据管理中心、标示装置，其中：
所述数据采集中心，安装于开关柜中运行设备终端的各节点上，用于采集运行设备的各节点实时电气参数，并同步更新至所述数据管理中心；
所述数据管理中心，包括数据处理单元、标准数据库单元；
所述数据处理单元，包括预处理模块、计算模块及数据预测模块，其中，所述预处理模块，用于对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集；所述计算模块，构建SML模型，提取所述标准化数据集的特征数据，通过所述特征数据与所述标准数据库单元进行映射计算，实现开关柜内运行设备的各节点故障检测，并生成实时体检报告，发送至所述标示装置，通过所述SML模型的迭代获得对所述特征数据与所述映射计算的记忆学习，采用所述记忆学习进行SML模型优化；所述数据预测模块，通过构建贝叶斯预测模型，基于实时电气参数及已有的历史电气参数进行故障预测分析，生成预测结果发送至所述标示装置；
所述标准数据库单元包括正常状态数据库和故障数据库；其中，所述正常状态数据库，用于判断运行设备是否存在故障；所述故障数据库，用于识别运行设备所发生的故障类型；
所述标示装置，安装于开关柜外侧，用于显示开关柜设备运行的信息、体检报告及预测结果，包括双编显示单元、运行状态单元、故障分析单元及故障预测单元。
2.根据权利要求1所述的开关柜智能标示装置，其特征在于，所述数据采集中心的数据输出端连接所述数据管理中心的数据缓存区，所述数据采集中心还包括至少一种电气参数采集仪，至少一种传感器；所述实时电气参数包括至少一种数据类型。
3.根据权利要求1所述的开关柜智能标示装置，其特征在于，
所述双编显示单元，用于设置运行设备双编名称，并作为标示装置默认首页；
所述运行状态单元，用于显示开关柜当前运行状态；
所述故障分析单元，用于读取所述计算模块所生成的实时体检报告，并显示运行设备故障信息，包括：故障类型、故障位置及故障原因；
所述故障预测单元，显示所述预测结果，用于运行设备故障风险提示，供运行人员作巡视排查工作的参考，或工作指示。
4.一种应用于权利要求1-3任一项所述的基于物联网的开关柜智能标示装置的开关柜智能标示系统，其特征在于，包括：
（1）获取所述数据采集中心的实时电气参数，通过所述预处理模块对所述实时电气参数进行异构数据的归一化处理，剔除无效数据，获得标准化数据集；
（2）通过所述计算模块构建SML模型，提取所述标准化数据集的特征数据，通过所述特征数据与所述标准数据库单元进行映射计算，实现开关柜内运行设备的各节点故障检测，并生成实时体检报告，发送至所述标示装置；在映射计算前，还包括通过对所述特征数据与所述映射计算的记忆学习，当同一设备出现同一故障的次数达到一记忆阈值时，若再次出现同样的故障，则跳过所述映射计算，调取原体检报告作为实时体检报告；在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中，使系统进行SML的迭代，在下次出现同样故障时，能准确识别故障数据；
（3）通过所述数据预测模块构建贝叶斯预测模型，基于所述实时电气参数的特征数据及所述标准数据库单元中已有的历史电气参数特征值进行故障预测分析，生成预测结果发送至所述标示装置。
5.根据权利要求4所述的开关柜智能标示系统，其特征在于，所述（1）中，还包括：
（1-1）对所述数据采集中心采集的数据进行归一化计算并获得实时电气参数的特征数据；
（1-2）根据运行设备的各个节点故障类型构建标准化数据集，所述标准化数据集由所述特征数据构成。
6.根据权利要求4所述的开关柜智能标示系统，其特征在于，所述（2）中的实现开关柜内运行设备的各节点故障检测，还包括：
（2-1）分别在所述正常状态数据库和所述故障数据库中，进行故障检测；
（2-2）若所述特征数据映射至所述正常状态数据库中，则说明开关柜内运行设备均处于正常运行状态，继续执行新一轮的实时电气参数故障检测；
（2-3）若所述特征数据映射至所述故障数据库中，则说明开关柜内运行设备存在故障，且识别出所述故障类型为故障数据库中的至少一种，调取原体检报告作为实时体检报告，并发送至所述标示装置，同时对该特征数据及其映射计算进行记忆学习；
（2-4）若所述实时电气参数未存在映射对象，则判定为出现新故障，并生成新的实时体检报告，发送至所述标示装置。
7.根据权利要求4所述的开关柜智能标示系统，其特征在于，所述（2）中的在运行设备出现新故障数据模型或新研究的故障数据模型时，将其自动更新至所述故障数据库中,还包括：所述故障数据库根据故障类型进行管理，并采用神经网络算法将所述新故障数据模型进行SML模型的优化。
8.根据权利要求4所述的开关柜智能标示系统，其特征在于，所述（3）中所述构建贝叶斯预测模型，还包括：已知K-1时刻的后验概率，为
Figure RE-297482DEST_PATH_IMAGE001
，则计算K时刻的先验概率为
Figure RE-542518DEST_PATH_IMAGE002
，计算公式为：
Figure RE-791097DEST_PATH_IMAGE003
；
式中，
Figure RE-451885DEST_PATH_IMAGE004
为运行参数状态转移的密度，由电气设备的运行状态决定；
Figure RE-594154DEST_PATH_IMAGE005
为K时刻开关柜运行时的特征数据，
Figure RE-682196DEST_PATH_IMAGE006
为K时刻开关柜的实时电气参数；
进而执行基于贝叶斯预测模型的故障预测分析，计算公式为：
Figure RE-418070DEST_PATH_IMAGE008
，其中，式中
Figure RE-944867DEST_PATH_IMAGE009
为标准似然度，取决于系统自身的参数；
Figure RE-82587DEST_PATH_IMAGE010
为归一化常数，为
Figure RE-669426DEST_PATH_IMAGE011
。
9.根据权利要求8所述的开关柜智能标示系统，其特征在于，所述贝叶斯预测模型还包括：通过
Figure RE-689335DEST_PATH_IMAGE013
进行预测模型检验，其中，所述
Figure RE-895188DEST_PATH_IMAGE014
代表故障预测值，
Figure RE-746469DEST_PATH_IMAGE015
代表已有的历史故障参数的均值，
Figure RE-645155DEST_PATH_IMAGE016
为实时电气参数，
Figure RE-152360DEST_PATH_IMAGE017
，为第
Figure RE-755380DEST_PATH_IMAGE018
组实时电气参数。
10.根据权利要求4所述的开关柜智能标示系统，其特征在于，所述标示装置，还包括：
所述标示装置在设备正常运行状态时，用于设备双编名称及开关柜当前运行状态的切换显示；在故障状态时，标示装置左上角的故障指示灯进入闪烁报警状态，当运行人员进行故障检修时，通过点击所述故障分析单元控件获取故障类型、故障位置及故障原因；或点击故障预测单元控件获取相应的故障预测分析结果，所述故障预测单元还包括自动执行预测模块进行故障风险预测，并将预测结果同步至标示装置。
CN202010381260.3A 2020-05-08 2020-05-08 一种基于物联网的开关柜智能标示装置及方法 Active CN111525694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381260.3A CN111525694B (zh) 2020-05-08 2020-05-08 一种基于物联网的开关柜智能标示装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010381260.3A CN111525694B (zh) 2020-05-08 2020-05-08 一种基于物联网的开关柜智能标示装置及方法

Publications (2)

Publication Number Publication Date
CN111525694A true CN111525694A (zh) 2020-08-11
CN111525694B CN111525694B (zh) 2021-12-31

Family

ID=71908041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381260.3A Active CN111525694B (zh) 2020-05-08 2020-05-08 一种基于物联网的开关柜智能标示装置及方法

Country Status (1)

Country Link
CN (1) CN111525694B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072987A (zh) * 2020-09-08 2020-12-11 河钢数字技术股份有限公司 一种基于物联网的涂布类冶金生产线电机的监控系统
CN112461289A (zh) * 2020-10-27 2021-03-09 国网山东省电力公司昌邑市供电公司 一种环网柜故障监控方法、系统、终端及存储介质
CN112966955A (zh) * 2021-03-18 2021-06-15 广东电网有限责任公司广州供电局 一种基于物联网技术的开关柜质量综合评估系统和方法
CN112986734A (zh) * 2021-02-19 2021-06-18 北京首钢自动化信息技术有限公司 一种语音通讯系统的故障检测装置
CN113435652A (zh) * 2021-07-01 2021-09-24 贵州电网有限责任公司 一种一次设备缺陷诊断与预测方法
CN113625081A (zh) * 2021-08-06 2021-11-09 句容市江电电器机械有限公司 一种用于高压配电箱生产的检测工装及其检测方法
WO2022142223A1 (zh) * 2020-12-31 2022-07-07 三一汽车制造有限公司 作业机械的故障处理方法、系统和电子设备
CN115372764A (zh) * 2022-07-12 2022-11-22 国网湖北省电力有限公司黄石供电公司 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法
CN116149226A (zh) * 2023-02-22 2023-05-23 山东中安电力科技有限公司 一种基于数据分析的开关柜远程控制系统
CN117148024A (zh) * 2023-10-31 2023-12-01 南通豪强电器设备有限公司 一种高压开关柜的运行故障监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017818A (zh) * 2012-08-09 2013-04-03 江苏科技大学 一种智能开关柜故障诊断系统及方法
CN107515372A (zh) * 2017-08-21 2017-12-26 国网上海市电力公司 一种开关设备缺陷智能检测分析系统
CN109146093A (zh) * 2018-08-08 2019-01-04 成都保源酷码科技有限公司 一种基于学习的电力设备现场勘查方法
CN209674770U (zh) * 2019-06-10 2019-11-22 广东电网有限责任公司 一种电气设备远程挂牌装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017818A (zh) * 2012-08-09 2013-04-03 江苏科技大学 一种智能开关柜故障诊断系统及方法
CN107515372A (zh) * 2017-08-21 2017-12-26 国网上海市电力公司 一种开关设备缺陷智能检测分析系统
CN109146093A (zh) * 2018-08-08 2019-01-04 成都保源酷码科技有限公司 一种基于学习的电力设备现场勘查方法
CN209674770U (zh) * 2019-06-10 2019-11-22 广东电网有限责任公司 一种电气设备远程挂牌装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋辉: "基于局部放电深度学习的GIS风险评估方法", 《中国博士学位论文全文数据库》 *
陈路易: "高压开关柜故障检测与预警系统研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072987A (zh) * 2020-09-08 2020-12-11 河钢数字技术股份有限公司 一种基于物联网的涂布类冶金生产线电机的监控系统
CN112461289A (zh) * 2020-10-27 2021-03-09 国网山东省电力公司昌邑市供电公司 一种环网柜故障监控方法、系统、终端及存储介质
WO2022142223A1 (zh) * 2020-12-31 2022-07-07 三一汽车制造有限公司 作业机械的故障处理方法、系统和电子设备
CN112986734A (zh) * 2021-02-19 2021-06-18 北京首钢自动化信息技术有限公司 一种语音通讯系统的故障检测装置
CN112966955A (zh) * 2021-03-18 2021-06-15 广东电网有限责任公司广州供电局 一种基于物联网技术的开关柜质量综合评估系统和方法
CN112966955B (zh) * 2021-03-18 2023-04-04 广东电网有限责任公司广州供电局 一种基于物联网技术的开关柜质量综合评估系统和方法
CN113435652A (zh) * 2021-07-01 2021-09-24 贵州电网有限责任公司 一种一次设备缺陷诊断与预测方法
CN113625081A (zh) * 2021-08-06 2021-11-09 句容市江电电器机械有限公司 一种用于高压配电箱生产的检测工装及其检测方法
CN115372764A (zh) * 2022-07-12 2022-11-22 国网湖北省电力有限公司黄石供电公司 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法
CN116149226A (zh) * 2023-02-22 2023-05-23 山东中安电力科技有限公司 一种基于数据分析的开关柜远程控制系统
CN116149226B (zh) * 2023-02-22 2023-11-10 山东中安电力科技有限公司 一种基于数据分析的开关柜远程控制系统
CN117148024A (zh) * 2023-10-31 2023-12-01 南通豪强电器设备有限公司 一种高压开关柜的运行故障监测方法及系统
CN117148024B (zh) * 2023-10-31 2023-12-26 南通豪强电器设备有限公司 一种高压开关柜的运行故障监测方法及系统

Also Published As

Publication number Publication date
CN111525694B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN111525694B (zh) 一种基于物联网的开关柜智能标示装置及方法
CN102866313B (zh) 电力隧道电缆运行状态综合监控方法
CN105353702B (zh) 高压设备智能监控系统
CN110941918B (zh) 智能化变电站故障分析系统
CN106771883A (zh) 一种基于云的多源信息配电故障定位方法及系统
CN108051709A (zh) 基于人工智能技术的变压器状态在线评估分析方法
CN104977087A (zh) 一种基于红外成像测温的电力设备故障自动预警的方法
CN110349048B (zh) 变电站多维数据运行交互控制平台及故障处置方法
CN105302087A (zh) 配网中压开关设备智能监测管理系统
CN114383652A (zh) 一种配电网潜在故障在线风险辨识方法、系统及装置
CN117078017A (zh) 一种用于电力电网设备监控智能化决策分析系统
CN112615436A (zh) 一种变电站综自装置健康诊断及监视系统和方法
CN108093210A (zh) 一种变压器油位告警系统及其告警方法
CN110609187A (zh) 一种基于sf6电气设备数据检测及智能分析的智能管理系统
CN114485796A (zh) 箱式变电站的在线状态监测自诊断系统
CN107294205B (zh) 一种基于保信主站数据的变电站状态监视方法
CN105548873A (zh) 用于在线监测装置实现开关设备健康诊断的方法及系统
CN111371180B (zh) 变电站巡查监管与数据分析系统
CN117081249A (zh) 一种供电线路自动化监控管理平台及线路故障识别方法
CN116566043A (zh) 一种配电终端监控系统及监控方法
CN112348306A (zh) 一种面向配电运检中的TitanOS人工智能开发方法及装置
CN112598023B (zh) 一种电网监控告警信息智能识别和自动映射方法和装置
CN115664007A (zh) 智能变电站二次回路可视化及智能诊断系统
CN210572666U (zh) 基于物联网的农网配电变压器温度监测云服务系统
CN102497025A (zh) 一种自动分段器的远程状态监测方法

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
GR01 Patent grant
GR01 Patent grant