CN111734885A - 一种换流阀在线监测与评估的方法及系统 - Google Patents
一种换流阀在线监测与评估的方法及系统 Download PDFInfo
- Publication number
- CN111734885A CN111734885A CN202010620261.9A CN202010620261A CN111734885A CN 111734885 A CN111734885 A CN 111734885A CN 202010620261 A CN202010620261 A CN 202010620261A CN 111734885 A CN111734885 A CN 111734885A
- Authority
- CN
- China
- Prior art keywords
- fault
- converter valve
- area
- tracking
- valve hall
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0025—Electrical or magnetic means
- F16K37/0041—Electrical or magnetic means for measuring valve parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
Abstract
本发明公开了一种换流阀在线监测与评估的方法及系统,方法包括:利用多种监测设备监测并获取换流阀运行状态及换流阀阀厅环境状态;利用预设故障判断方法识别换流阀阀厅环境是否故障,并利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果;根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果,使换流阀的“计划检修”转变为“状态检修”,减少直流系统停运和检修时间,提高了换流阀运行稳定性。
Description
技术领域
本发明涉及电力电子和电力系统及图像处理领域,具体涉及一种换流阀在线监测与评估的方法及系统。
背景技术
换流阀作为直流输电系统的核心装备,准确掌握其运行状态,科学合理开展检修是保证直流输电系统的运行可靠性、可用率以及运维效率重要运行指标的关键因素。由于换流站阀厅内具很强磁场和较大的噪声,传统的人工巡检方式存在着巡检环境恶劣、劳动强度大、风险高且工作效率低,巡检结果容易受运行人员主观影响的问题。目前特高压换流站装设了工业视频监控系统,该监控系统初步实现了对换流阀法内部的视频无死角实时监视,与此同时获取大量实时的数字影像,每天一个换流站相关的视频,目前只能靠传统的人工巡检方式,将会消耗大量的人力且无法保障视频故障的实时性,该模式导致对换流阀故障获取的滞后性,引起的后果是在发生事故后才开始调取相关视频资料,作为事故分析的一种辅助模式,从而严重影响特高压直流工程的安全稳定运行。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的对于换流阀及阀厅的故障区域的识别、定位与跟踪不及时的缺陷,从而提供一种换流阀在线监测与评估的方法及系统。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种换流阀在线监测与评估的方法,包括:利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息;根据换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,故障识别结果包括故障识别图片、故障识别视频及故障识别报文,故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文;根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果。
在一实施例中,利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息,包括:利用可见光摄像设备、红外线摄像设备、紫外线摄像设备实时监测换流阀阀厅环境状态,并获取换流阀阀厅环境状态信息,换流阀阀厅环境状态信息包括换流阀阀厅环境图片信息及换流阀阀厅环境视频信息;利用换流器运行状态监测设备,实时监测换流阀运行状态,并获取换流阀运行状态信息。
在一实施例中,预设故障跟踪方法包括:启发式故障目标跟踪方法及大数据故障目标跟踪方法。
在一实施例中,当换流阀阀厅环境出现故障时,利用启发式故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:根据初始时刻的换流阀阀厅环境状态信息,提取初始时刻的多个故障区域,利用预设特征元素位置计算方法,计算每个故障区域的特征元素位置,每个故障区域的特征元素构成每个故障区域的特征队列,根据初始时刻的每个故障区域的特征队列,构建动态特征池;根据下一时刻的换流阀阀厅环境状态信息,提取下一时刻的换流阀阀厅环境的多个故障区域,当下一时刻的换流阀阀厅出现新的故障区域时,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置;将初始时刻动态特征池中每个故障区域的特征元素的位置作为对应的特征队列的位置,根据每个特征队列位置以及新的故障区域的特征元素位置,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域;当新的故障区域归类于对应的故障区域时,对应的故障区域的特征元素包括初始时刻的对应区域的特征元素及新的故障区域的特征元素;将对应的故障区域的多个特征元素出现时间顺序进行排列,得到对应的故障区域的特征队列,并根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置;当建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将特征队列加入动态特征池;根据动态特征池中每个故障区域的特征队列位置,对故障区域在换流阀阀厅的位置进行跟踪定位。
在一实施例中,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置的过程,包括:根据每个故障区域的信息,得到每个故障区域的多个特征值,特征值用于描述故障区域的形状属性;将每个故障区域的多个特征值作为对应的故障区域的特征元素;获取每个故障区域的多个轮廓点位置,并根据每个故障区域的多个轮廓点位置,计算得到每个故障区域的特征元素的位置。
在一实施例中,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域的过程,包括:计算新的故障区域的特征元素的位置与动态特征池每个特征队列的欧式距离;获取多个欧式距离中的最小欧式距离;判断最小欧式距离是否小于或等于预设最大归队距离,当最小欧式距离小于或等于预设最大归队距离时,将新的故障区域归类于与之具有最小欧式距离的故障区域,并将新的故障区域的特征元素,加入与之具有最小欧式距离的故障区域的特征队列的队尾;当最小欧式距离大于预设最大归队距离时,建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将该特征队列加入动态特征池。
在一实施例中,根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置,包括:利用预设平滑因子,对初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置进行加权平均处理后,得到对应区域的特征队列位置,更新该特征队列位置。
在一实施例中,当换流阀阀厅环境出现故障时,利用大数据故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:获取换流阀阀厅历史异常数据及历史正常数据,建立阀厅异常数据库及阀厅正常数据库;将换流阀阀厅环境状态信息与阀厅异常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果;或,将换流阀阀厅环境状态信息与阀厅正常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果。
在一实施例中,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:当换流阀阀厅环境图片信息含有一个故障区域时,利用深度卷积网络提取基于含有故障的换流阀阀厅环境信息中的故障区域边框特征;当换流阀阀厅环境图片信息含有多个故障区域时,将全部的故障区域固定成同等面积的故障区域,利用深度卷积网络提取同等面积的故障区域边框特征,得到每个故障区域的特征向量;根据每个故障区域的特征向量或边框特征,利用多类别SVM分类器对每个故障区域进行分类之后,对分类结果利用非极大值抑制,得到每个故障区域对应的故障类型;根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
在一实施例中,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:将含有故障的换流阀阀厅环境视频信息的每一帧的换流阀阀厅环境图片信息进行切片;根据阀厅正常数据库,利用深度学习网络及滑窗检测方法判定每一帧的切片后的图片信息的故障区域的类型进行判断,得到每个故障区域对应的故障类型;根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
在一实施例中,根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果,包括:利用对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果,以及换流阀运行状态信息进行分类,得到多类监测参数;根据每类监测参数及其对应的分层权重值,对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果进行初步评估,得到每一种预设故障目标跟踪方法的初步评估结果;根据每一种预设故障目标跟踪方法的初步评估结果,对换流阀运行状态及换流阀阀厅环境状态进行综合评估,得到评估结果。
在一实施例中,换流阀在线监测与评估的方法还包括:根据评估结果,对换流阀的运行状态进行相应控制。
第二方面,本发明实施例提供一种换流阀在线监测与评估的系统,包括:信息采集模块,用于利用多种监测设备监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息;故障识别与跟踪定位模块,用于根据换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,故障识别结果包括故障识别图片、故障识别视频及故障识别报文,故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文;评估模块,用于根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果。
第三方面,本发明实施例提供一种计算机设备,包括:至少一个处理器,以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行本发明实施例第一方面的换流阀在线监测与评估的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行本发明实施例第一方面的换流阀在线监测与评估的方法。
本发明技术方案,具有如下优点:
1.本发明提供的换流阀在线监测与评估的方法及系统,利用对换流阀及阀厅状态的实时监测,利用多种故障识别及跟踪定位方法对换流阀及阀厅实现实时故障诊断,并对识别、跟踪、定位结果进行评估,使换流阀的“计划检修”转变为“状态检修”,减少直流系统停运和检修时间,提高了换流阀运行稳定性。
2.本发明提供的换流阀在线监测与评估的方法及系统,利用多种故障识别及跟踪定位方法分别对故障视频及故障图片进行判断,从而提高了故障诊断的可靠性;在故障诊断的同时输出故障报文,从而实现了对故障区域的位置及发生时间的进一步确定;对阀厅内故障的,本发明提出了基于换流阀关键元件的在线监测数据为基础,通过多源(晶闸管回路电气参数监测和红外/紫外/可见光图像等)数据综合评估判断,从而实现了多种故障的监测及诊断;通过云技术实现换流阀在线监测的云计算,云存储和云处理,实现对换流阀历史运行情况在线分析,实时运行状态的在线监测和未来运行状态的预测,从而全面指导各个换流站在换流阀发生故障前发现并解决问题,及时做到对故障的准确预判。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的换流阀在线监测与评估的方法的一个具体示例的流程图;
图2为本发明实施例提供的信息采集的一个具体示例的流程图;
图3为本发明实施例提供的启发式故障目标跟踪方法的一个具体示例的流程图;
图4为本发明实施例提供的预设特征元素位置计算方法的一个具体示例的流程图;
图5为本发明实施例提供的动态特征池的一个具体示例的示意图;
图6为本发明实施例提供的预设分类方法的一个具体示例的一个具体示例的流程图;
图7为本发明实施例提供的大数据故障目标跟踪方法的一个具体示例的流程图;
图8为本发明实施例提供的利用第一预设深度学习方法对故障点进行定位及跟踪的一个具体示例的流程图;
图9为本发明实施例提供的利用第二预设深度学习方法对故障点进行定位及跟踪的一个具体示例的流程图;
图10为本发明实施例提供的对故障判断识别及故障跟踪定位结果进行评估的一个具体示例的流程图;
图11为本发明实施例提供的参数分类的一个具体示例的示意图;
图12为本发明实施例提供的换流阀在线监测与评估的系统的一个具体示例的示意图;
图13为本发明实施例提供的换流阀在线监测与评估的系统的另一个具体示例的示意图;
图14为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种换流阀在线监测与评估的方法,应用于需要对换流阀及阀厅进行安全运维的场合,如图1所示,包括:
步骤S11:利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息。
由于换流阀本体复杂、庞大,并且换流阀阀厅中含有水冷系统、散热系统等等多种支撑系统,因此换流阀及阀厅会出现多种多样的故障,本发明实施例为了对多种类型的故障进行综合分析,利用多种监测设备对换流阀的运行状态及换流阀阀厅环境的各个位置进行实时监测。
步骤S12:根据换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,故障识别结果包括故障识别图片、故障识别视频及故障识别报文,故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文。
由于换流阀及阀厅出现的故障多种多样,但是并不是只要出现任何一种故障时,都需要控制换流阀的运行状态(例如:闭锁换流阀等),所以需要对故障类型进行识别及跟踪定位,同时为了进一步提高故障识别及跟踪定位的准确率,本发明实施例利用多种故障目标跟踪方法实现对故障的及时跟踪,在对故障进行识别及跟踪定位后,得到故障所在的图片、视频,以及故障报文。其中,图片报文包括是否有无故障识别结果,以及当有故障发生的时间(可以准确到年月日时分秒毫秒),故障视频可以包含故障前一秒的视频和故障视频及故障后的视频,故障图片中会标示故障现象(例如渗水,器件发热,水管漏水,器件电气参数异常等)。
步骤S13:根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果。
由于本发明实施例利用多种监测设备获取换流阀运行状态信息及换流阀阀厅环境状态信息,然后利用多余预设故障目标跟踪方法同时对故障进行识别及跟踪定位,利用预设评估方法首先对每种预设故障目标跟踪方法得到的结果进行初步评估,然后根据每个初步评估结果再次进行综合评估,得到评估结果,最后根据评估结果控制换流阀运行状态或阀厅运行状态,从而进一步提高了评估的准确性。
本发明实施例提供的换流阀在线监测与评估的方法,利用对换流阀及阀厅状态的实时监测,利用多种故障识别及跟踪定位方法对换流阀及阀厅实现实时故障诊断,并对识别、跟踪、定位结果进行评估,使换流阀的“计划检修”转变为“状态检修”,减少直流系统停运和检修时间,提高了换流阀运行稳定性
在一具体实施例中,如图2所示,利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息,包括:
步骤S21:利用可见光摄像设备、红外线摄像设备、紫外线摄像设备实时监测换流阀阀厅环境状态,并获取换流阀阀厅环境状态信息,换流阀阀厅环境状态信息包括换流阀阀厅环境图片信息及换流阀阀厅环境视频信息。
步骤S22:利用换流器运行状态监测设备,实时监测换流阀运行状态,并获取换流阀运行状态信息。
本发明实施例利用电气监测设备及技术对换流阀本体运行状态进行实时监测,其中换流阀运行状态包括:换流阀本体元器件的运行电气参数(温度、电压、电流、功率等),主要针对晶闸管级均压电阻、阻容回路、取能故障和信故障等系统的监测。
本发明实施例同时利用可见光、红外、紫外等摄像设备及技术对换流阀阀厅环境状态进行实时监测,换流阀阀厅环境状态信息包括:换流阀阀厅环境图片状态信息及换流阀阀厅环境视频状态信息。其中可见光摄像设备主要用于识别阀厅内是否起火及渗水,红外/紫外摄像设备主要针对阀厅水冷系统渗水、放电、明火、发热等故障的监测。
在一具体实施例中,预设故障跟踪方法包括:启发式故障目标跟踪方法及大数据故障目标跟踪方法。
本发明实施例利用启发式故障目标跟踪方法可以针对起火、渗水等动态故障进行跟踪定位,利用大数据故障目标跟踪方法将实时获取的图片信息及视频信息与数据库中阀厅异常信息或阀厅正常信息进行对比,从而实现对故障目标的定位及跟踪。
在一具体实施例中,如图3所示,当换流阀阀厅环境出现故障时,利用启发式故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:
步骤S31:根据初始时刻的换流阀阀厅环境状态信息,提取初始时刻的多个故障区域,利用预设特征元素位置计算方法,计算每个故障区域的特征元素位置,每个故障区域的特征元素构成每个故障区域的特征队列,根据初始时刻的每个故障区域的特征队列,构建动态特征池。
如图4所示,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置的过程,包括:
步骤S41:根据每个故障区域的信息,得到每个故障区域的多个特征值,特征值用于描述故障区域的形状属性。
步骤S42:将每个故障区域的多个特征值作为对应的故障区域的特征元素。
步骤S43:获取每个故障区域的多个轮廓点位置,并根据每个故障区域的多个轮廓点位置,计算得到每个故障区域的特征元素的位置。
本发明实施例首先针对实时获取的阀厅环境图片信息及视频信息进行故障识别,可以利用缺陷检测等方法进行识别(仅以此举例,但不以此为限),当检测出图片信息或视频信息中出现故障时,提取故障出现的初始时刻的图片信息及视频信息中的故障区域,由于阀厅中可能发生多个故障,例如冷水系统在多个角落出现渗水现象,此时将出现故障的区域全部提取出来。
本发明实施例针对于渗水、起火等故障,由于其故障区域多为片状区域,此时可以根据实际情况选取故障区域的特征值,例如:对于一个起火区域,可以将其圆形度、面积、周长、形状等作为该区域的特征值,之后将每个故障区域的一组特征值作为该区域的特征元素,然后可以将故障图片放在直角坐标系,或三维立体坐标系中,然后根据每个故障区域在坐标系中的位置坐标,提取故障区域多个边缘点的位置坐标,最后通过每个故障区域的多个边缘点的位置坐标得到每个故障区域的特征元素的位置坐标(此时的特征元素可以为故障区域的中心等)。
由于渗水、起火等这些故障是动态变化的,因此,如图5所示,为了实现对动态故障特征的跟踪定位,本发明实施例将每个故障区域的特征元素放入动态特征池中,并且将每个故障区域的全部特征元素作为一个特征队列。图5中,特征队列Q1~Qn对应一个故障区域。
步骤S32:根据下一时刻的换流阀阀厅环境状态信息,提取下一时刻的换流阀阀厅环境的多个故障区域,当下一时刻的换流阀阀厅出现新的故障区域时,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置。
由于有些阀厅故障为动态变化的,因此本发明实施例提取连续的图片信息及视频信息中的多个故障区域,当下一时刻的换流阀阀厅出现新的故障区域时,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置,例如在当前时刻(初始时刻)出现1~9号故障区域,而在下一时刻出现10号故障区域,此时为了便于将故障区域进行归类,需要得到10号故障区域的特征元素的位置。
步骤S33:将初始时刻动态特征池中每个故障区域的特征元素的位置作为对应的特征队列的位置,根据每个特征队列位置以及新的故障区域的特征元素位置,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域;当新的故障区域归类于对应的故障区域时,对应的故障区域的特征元素包括初始时刻的对应区域的特征元素及新的故障区域的特征元素。
本发明实施例为将故障出现的第一时刻作为初始时刻,此时初始时刻的每个故障区域仅仅具有一个特征元素,而在下一时刻出现新的故障区域,若新的故障区域可以归类于已经出现的故障区域,则将其进行归类,若不能,则将其的特征元素输入到动态特征池中。具体地,初始时刻出现1~9号故障区域,此时动态特征池中包括Q1~Q9特征队列,若下一时刻出现10号故障区域,且10号故障区域可以归类于3号故障区域,则将10号故障区域归类于3号故障区域,将10号故障区域的特征元素加入到3号故障区域的特征队列的队尾,此时动态特征池中包括Q1~Q9特征队列;若10号故障区域不能归类于3号故障区域,则需要利用10号故障区域的特征元素构建10号故障区域的特征队列,此时动态特征池中包括Q1~Q10特征队列。
如图6所示,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域的过程,包括:
步骤S61:计算新的故障区域的特征元素的位置与动态特征池每个特征队列的欧式距离。
步骤S62:获取多个欧式距离中的最小欧式距离。
步骤S63:判断最小欧式距离是否小于或等于预设最大归队距离,当最小欧式距离小于或等于预设最大归队距离时,将新的故障区域归类于与之具有最小欧式距离的故障区域,并将新的故障区域的特征元素,加入与之具有最小欧式距离的故障区域的特征队列的队尾。
步骤S64:当最小欧式距离大于预设最大归队距离时,建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将该特征队列加入动态特征池。
步骤S34:将对应的故障区域的多个特征元素出现时间顺序进行排列,得到对应的故障区域的特征队列,并根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置;当建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将特征队列加入动态特征池。
本发明实施例对于新的故障区域的归类分为两种情况:可以归类到已经出现的故障区域,不可以归类到已经出现的故障区域。其中可以归类到已经出现的故障区域的情况通过将最小欧式距离(计算新的故障区域的特征元素的位置与每个故障区域的特征队列的位置的欧式距离,在全部欧式距离中选取最小的欧式距离作为最小欧式距离)与预设最大归队距离进行比较,当最小欧式距离小于或等于预设最大归队距离时,则将新的故障区域归类于具有最小欧式距离的故障区域,将新的故障区域的特征元素加入该故障区域的特征队列的队尾,并更新该特征队列位置。
具体地,初始时刻出现1~9号故障区域,此时动态特征池中包括Q1~Q9特征队列,若下一时刻出现10号故障区域,分别计算10号故障区域的特征元素的位置与1~9号故障区域的特征队列的位置的欧式距离,假设10号故障区域的特征元素的位置与3号故障区域的特征队列的位置的欧式距离最小,且该欧式距离小于或等于预设最大归队距离,则将10号故障区域归类于3号故障区域,将10号故障区域的特征元素加入3号故障区域的特征队列的队尾,此时动态特征池中包括Q1~Q9特征队列;若最小欧式距离大于预设最大归队距离,则将10号故障区域的特征元素输入到动态特征池中,并利用10号故障区域的特征元素作为10号故障区域的特征队列,此时动态特征池中包括Q1~Q10特征队列。
步骤S35:根据动态特征池中每个故障区域的特征队列位置,对故障区域在换流阀阀厅的位置进行跟踪定位。
根据动态特征池中每个特征队列的位置,可以对故障区域进行定位,若1号故障区域的特征队列的位置显示靠近冷水系统,则可能换流阀阀厅渗水,仅以此举例,但不以此为限。
在一具体实施例中,根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置,包括:
利用预设平滑因子,对初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置进行加权平均处理后,得到对应区域的特征队列位置,更新该特征队列位置。
将新的故障区域归类于已经出现的故障区域后,由于已经出现的故障区域的特征队列加入了新的特征元素,故特征队列的位置需要进行更新,此处对已经出现的故障区域的特征队列位置及新的特征元素的位置,利用预设平滑因子进行加权平均处理后得到新的特征队列的位置。具体地,假设在k-1时刻出现1号故障区域,1号故障区域具有1号特征元素,1号特征元素构成1号故障区域的特征队列,此时1号特征元素的位置为1号故障区域的特征队列的位置;在k时刻出现2号故障区域(同时1号故障区域仍然存在),2号故障区域具有2号特征元素,通过判断分析,2号故障区域可以归类为1号故障区域,则将2号特征元素加入1号特征区域的特征队列的队尾,此时1号故障区域的特征队列包括1号特征元素及2号特征元素,此时利用预设平滑因子对1号故障区域的k-1时刻的特征队列的位置(1号特征元素位置)及2号特征元素的位置进行加权平均处理后,将得到的特征队列的位置作为1号故障区域k时刻的特征队列的位置;在k+1时刻出现3号故障区域(同时1号故障区域及2号故障区域仍然存在),3号故障区域具有3号特征元素,通过判断分析,3号故障区域可以归类为1号故障区域,则将3号特征元素加入1号特征区域的特征队列的队尾,此时1号故障区域的特征队列包括1号特征元素、2号特征元素及3号特征元素,此时利用预设平滑因子对1号故障区域的k时刻的特征队列的位置及3号特征元素的位置进行加权平均处理后,将得到的特征队列的位置作为1号故障区域k+1时刻的特征队列的位置。
在一具体实施例中,如图7所示,当换流阀阀厅环境出现故障时,利用大数据故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:
步骤S71:获取换流阀阀厅历史异常数据及历史正常数据,建立阀厅异常数据库及阀厅正常数据库。
步骤S72:将换流阀阀厅环境状态信息与阀厅异常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果;或,将换流阀阀厅环境状态信息与阀厅正常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果。
本发明实施例首先通过大量采集换流阀及阀厅正常及异常情况下的图片信息及视频信息,建立阀厅异常数据库及阀厅异常数据库,然后利用故障目标检测方法(例如缺陷检测法)对故障进行识别,利用两种深度学习方法将实时获取的含有故障的换流阀阀厅环境信息分别与阀厅异常数据库及阀厅异常数据库进行对比,从而实现对故障点的跟踪及定位。
在一具体实施例中,如图8所示,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:
步骤S81:当换流阀阀厅环境图片信息含有一个故障区域时,利用深度卷积网络提取基于含有故障的换流阀阀厅环境信息中的故障区域边框特征;当换流阀阀厅环境图片信息含有多个故障区域时,将全部的故障区域固定成同等面积的故障区域,利用深度卷积网络提取同等面积的故障区域边框特征,得到每个故障区域的特征向量。
步骤S82:根据每个故障区域的特征向量或边框特征,利用多类别SVM分类器对每个故障区域进行分类之后,对分类结果利用非极大值抑制,得到每个故障区域对应的故障类型。
步骤S83:根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
当换流阀阀厅环境图片信息含有一个故障区域时,本发明实施例利用第一预设深度学习方法(可以包括基于R-CNN的人工智能方法)直接提取故障区域特征边框,然后将故障区域对应的边框特征与SVM分类器中内存的阀厅历史故障类型进行比对,从而实现对该故障区域的故障类型进行分类,分类后利用非极大值抑制进行去噪等处理,根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
当换流阀阀厅环境图片信息含有多个故障区域时,本发明实施例将全部的故障区域固定成同等面积的故障区域,利用深度卷积网络提取同等面积的故障区域边框特征,得到每个故障区域的特征向量,然后将每个故障区域的特征向量与SVM分类器中内存的阀厅历史故障类型进行比对,从而实现对该故障区域的故障类型进行分类,分类后利用非极大值抑制进行去噪等处理,根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
具体地,例如阀厅中只出现渗水一个故障区域,则直接提取其边框特征后,将边框特征与SVM分类器中内存的阀厅历史故障类型进行比对(SVM分类器中存有阀厅历史起火、放电、渗水等故障区域),阀厅中只出现渗水、起火等多个故障区域,则先将其固定成同等面积的故障区域,然后利用深度卷积网络提取同等面积的故障区域边框特征,得到每个故障区域的特征向量,然后将每个故障区域的特征向量与SVM分类器中内存的阀厅历史故障类型进行比对。
在一具体实施例中,如图9所示,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:
步骤S91:将含有故障的换流阀阀厅环境视频信息的每一帧的换流阀阀厅环境图片信息进行切片。
步骤S92:根据阀厅正常数据库,利用深度学习网络及滑窗检测方法判定每一帧的切片后的图片信息的故障区域的类型进行判断,得到每个故障区域对应的故障类型。
步骤S93:根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
本发明实施例将含有故障的换流阀阀厅环境视频信息的每一帧的换流阀阀厅环境图片信息进行切片后,利用深度学习网络对切片后的环境信息进行故障区域类型识别,并利用滑窗检测方法对连续多帧的换流阀阀厅环境视频信息进行故障区域类型识别,之后根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
在一具体实施例中,如图10所示,根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果,包括:
步骤S101:利用对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果,以及换流阀运行状态信息进行分类,得到多类监测参数。
如图11所示,将每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果,以及换流阀运行状态信息进行分类,得到每一种预设故障目标跟踪方法对应的每种监测设备的监测参数,例如电气监测设备的直流均压电阻状态参数U1,电气监测设备的阻容回路状态参数U2,可见光摄像设备的参数U3,红外/紫外摄像设备的参数U4。需要说明的是,可以利用多种预设故障目标跟踪方法分别对可见光摄像设备、红外摄像设备及紫外摄像设备获取的实时信息进行故障识别、定位及跟踪。
步骤S102:根据每类监测参数及其对应的分层权重值,对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果进行初步评估,得到每一种预设故障目标跟踪方法的初步评估结果。
本发明实施例为了可扩展性的更多种类和技术性的评估参数,进一步体现不同参数对换流阀本体的关联特性,提出的基于改进灰色聚类分析的换流阀状态评估系统通过对换流阀当前状态变化关联强度将评估参数分为直接因素和间接因素,如图11所示,其中直接因素直接与换流阀的当前运行状态挂钩,反应为换流阀当前的实时运行变化情况,间接因素反应为换流阀运行期间的相关参数,但日常可靠性很高,换流阀极限运行有很大包容度的参数,如直流均压电阻。在此基础上,以换流阀技术人员分析评估为基础,在统一参数白化权函数拐点的基础上,将聚类权变化为分层权重值,其中分层权重的和值为1,以下以5种参数的换流阀状态评估举例进行说明,如下表所示。
全部评估参数根据重要性可以分为3个等级,3个等级在分层权重值的分配上有明显的区分,上述表中第一、二等级的参数为直接因素参数,第三等级参数为间接因素参数。第一等级的参数为换流阀本体内元件本身参数值,与换流阀自身的当前状态紧密相关,第二等级的参数为系统监测的换流阀关键节点参数,通过实时监测数据可实现对换流阀阀厅内关键设备明火、放电、发热等异常状况的图像识别,直接反应出换流阀整个系统的运行状况,第三等级参数用于反应影响换流阀状态变化的微弱趋势。
步骤S103:根据每一种预设故障目标跟踪方法的初步评估结果,对换流阀运行状态及换流阀阀厅环境状态进行综合评估,得到评估结果。
本发明实施例对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果进行初步评估后,对每种初步结果进行综合评估,得到最终的评估结果。例如利用第一种预设故障目标跟踪方法判断出阀厅起火及换流阀放电,利用第二种预设故障目标跟踪方法判断出阀厅起火、渗水及换流阀放电,且对第一种预设故障目标跟踪方法得到的阀厅起火及换流阀放电进行初步评估得到可以使得换流阀部分开关闭锁,而对第二种预设故障目标跟踪方法得到的阀厅起火、渗水及换流阀放电进行初步评估得到可以使得换流阀全部开关闭锁,则根据两种初步评估结果根据实际情况对换流阀实现降压运行、或降功率运行、或跳交流断路器等控制机制。
本发明实施例可接入特高压换流站控制保护系统和换流变进线断路器回路的方法,根据综合评估结果确定故障等级,可以发出换流站降功率运行,在严重和紧急情况下能够跳开与换流阀相连接的断路器,保证换流阀在水管漏水,放电发热起火等严重影响换流站正常运行的情况下能够及时断开高压回路,隔离故障区域电气设备,确保换流站其他电气设备的安全,防止故障的进一步扩大和蔓延,全面确保大电网的安全可靠运行。
本发明实施例提供的换流阀在线监测与评估的方法,利用对换流阀及阀厅状态的实时监测,利用多种故障识别及跟踪定位方法对换流阀及阀厅实现实时故障诊断,并对识别、跟踪、定位结果进行评估,使换流阀的“计划检修”转变为“状态检修”,减少直流系统停运和检修时间,提高了换流阀运行稳定性;利用多种故障识别及跟踪定位方法分别对故障视频及故障图片进行判断,从而提高了故障诊断的可靠性;在故障诊断的同时输出故障报文,从而实现了对故障区域的位置及发生时间的进一步确定;对阀厅内故障的,本发明提出了基于换流阀关键元件的在线监测数据为基础,通过多源(晶闸管回路电气参数监测和红外/紫外/可见光图像等)数据综合评估判断,从而实现了多种故障的监测及诊断;通过云技术实现换流阀在线监测的云计算,云存储和云处理,实现对换流阀历史运行情况在线分析,实时运行状态的在线监测和未来运行状态的预测,从而全面指导各个换流站在换流阀发生故障前发现并解决问题,及时做到对故障的准确预判。
实施例2
本发明实施例提供一种换流阀在线监测与评估的系统,如图12所示,包括:
信息采集模1,用于利用多种监测设备监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
故障识别与跟踪定位模块2,用于根据换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,故障识别结果包括故障识别图片、故障识别视频及故障识别报文,故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
评估模块3,用于根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
在一具体实施例中,如图13所示,可以通过对换流站(包括换流阀本体及阀厅)的多种在线监测,将每个监测结果汇总到云平台中,云平台再对监测结果进行识别、故障跟踪及定位,并对识别、故障跟踪及定位的结果进行评估,将评估结果发送到控制终端,换流阀在线监测与评估的系统中包括换流阀寿命智能化诊所、设备的故障预测、智能化传感器的接入、设备监测、实时显示、报表统计、综合分析等功能,从而对多个监测结果进行初步评估及综合评估后,再对换流站进行控制。图13中A换流站智能监测系统~N换流站智能监测系统中内置信息采集模1,云中心中内置故障识别与跟踪定位模块2及评估模块3。
具体地,本发明实施例提出的基于多换流站智能化特高压换流阀在线监测设备的智慧云综合学习系统,该学习系统综合接入多个换流站换流阀实时电气参数和实时视频信息,内部存储多换流站历史信息记录,包含故障信息和正常信息,为换流站的故障分析提供强大的数据支撑,作为换流站事故预警和判断的依据,从而通过云技术实现换流阀在线监测的云计算,云存储和云处理,实现对换流阀历史运行情况在线分析,实时运行状态的在线监测和未来运行状态的预测,从而全面指导各个换流站在换流阀发生故障前发现并解决问题,及时做到对故障的准确预判。
本发明实施例提供的换流阀在线监测与评估的系统,利用对换流阀及阀厅状态的实时监测,利用多种故障识别及跟踪定位方法对换流阀及阀厅实现实时故障诊断,并对识别、跟踪、定位结果进行评估,使换流阀的“计划检修”转变为“状态检修”,减少直流系统停运和检修时间,提高了换流阀运行稳定性;利用多种故障识别及跟踪定位方法分别对故障视频及故障图片进行判断,从而提高了故障诊断的可靠性;在故障诊断的同时输出故障报文,从而实现了对故障区域的位置及发生时间的进一步确定;对阀厅内故障的,本发明提出了基于换流阀关键元件的在线监测数据为基础,通过多源(晶闸管回路电气参数监测和红外/紫外/可见光图像等)数据综合评估判断,从而实现了多种故障的监测及诊断;通过云技术实现换流阀在线监测的云计算,云存储和云处理,实现对换流阀历史运行情况在线分析,实时运行状态的在线监测和未来运行状态的预测,从而全面指导各个换流站在换流阀发生故障前发现并解决问题,及时做到对故障的准确预判。
实施例3
本发明实施例提供一种计算机设备,如图14所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的换流阀在线监测与评估的方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1的换流阀在线监测与评估的方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例1中的换流阀在线监测与评估的方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的换流阀在线监测与评估的方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固降硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (15)
1.一种换流阀在线监测与评估的方法,其特征在于,包括:
利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息;
根据所述换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,所述故障识别结果包括故障识别图片、故障识别视频及故障识别报文,所述故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文;
根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果。
2.根据权利要求1所述的换流阀在线监测与评估的方法,其特征在于,利用多种监测设备实时监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息,包括:
利用可见光摄像设备、红外线摄像设备、紫外线摄像设备实时监测换流阀阀厅环境状态,并获取换流阀阀厅环境状态信息,所述换流阀阀厅环境状态信息包括换流阀阀厅环境图片信息及换流阀阀厅环境视频信息;
利用换流器运行状态监测设备,实时监测换流阀运行状态,并获取换流阀运行状态信息。
3.根据权利要求2所述的换流阀在线监测与评估的方法,其特征在于,所述预设故障跟踪方法包括:启发式故障目标跟踪方法及大数据故障目标跟踪方法。
4.根据权利要求3所述的换流阀在线监测与评估的方法,其特征在于,当换流阀阀厅环境出现故障时,利用启发式故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:
根据初始时刻的换流阀阀厅环境状态信息,提取初始时刻的多个故障区域,利用预设特征元素位置计算方法,计算每个故障区域的特征元素位置,每个故障区域的特征元素构成每个故障区域的特征队列,根据初始时刻的每个故障区域的特征队列,构建动态特征池;
根据下一时刻的所述换流阀阀厅环境状态信息,提取下一时刻的换流阀阀厅环境的多个故障区域,当下一时刻的换流阀阀厅出现新的故障区域时,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置;
将初始时刻动态特征池中每个故障区域的特征元素的位置作为对应的特征队列的位置,根据每个特征队列位置以及新的故障区域的特征元素位置,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域;当新的故障区域归类于对应的故障区域时,对应的故障区域的特征元素包括初始时刻的对应区域的特征元素及新的故障区域的特征元素;
将对应的故障区域的多个特征元素出现时间顺序进行排列,得到对应的故障区域的特征队列,并根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置;当建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将特征队列加入动态特征池;
根据动态特征池中每个故障区域的特征队列位置,对故障区域在换流阀阀厅的位置进行跟踪定位。
5.根据权利要求4所述的换流阀在线监测与评估的方法,其特征在于,利用预设特征元素位置计算方法,得到新的故障区域的特征元素的位置的过程,包括:
根据每个故障区域的信息,得到每个故障区域的多个特征值,所述特征值用于描述故障区域的形状属性;
将每个故障区域的多个特征值作为对应的故障区域的特征元素;
获取每个故障区域的多个轮廓点位置,并根据每个故障区域的多个轮廓点位置,计算得到每个故障区域的特征元素的位置。
6.根据权利要求4所述的换流阀在线监测与评估的方法,其特征在于,利用预设分类方法,将新的故障区域归类于对应的故障区域,或建立新的故障区域的过程,包括:
计算新的故障区域的特征元素的位置与动态特征池每个特征队列的欧式距离;
获取多个欧式距离中的最小欧式距离;
判断最小欧式距离是否小于或等于预设最大归队距离,当最小欧式距离小于或等于预设最大归队距离时,将新的故障区域归类于与之具有最小欧式距离的故障区域,并将新的故障区域的特征元素,加入与之具有最小欧式距离的故障区域的特征队列的队尾;
当最小欧式距离大于预设最大归队距离时,建立新的故障区域,则将新的故障区域的特征元素构成其特征队列,并将该特征队列加入动态特征池。
7.根据权利要求4所述的换流阀在线监测与评估的方法,其特征在于,根据初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置,更新该特征队列位置,包括:
利用预设平滑因子,对初始时刻的对应区域的特征队列位置及新的故障区域的特征元素位置进行加权平均处理后,得到对应区域的特征队列位置,更新该特征队列位置。
8.根据权利要求3所述的换流阀在线监测与评估的方法,其特征在于,当换流阀阀厅环境出现故障时,利用大数据故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,包括:
获取换流阀阀厅历史异常数据及历史正常数据,建立阀厅异常数据库及阀厅正常数据库;
将换流阀阀厅环境状态信息与所述阀厅异常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果;或,
将换流阀阀厅环境状态信息与所述阀厅正常数据库进行对比,识别换流阀阀厅环境是否故障;当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果。
9.根据权利要求8所述的换流阀在线监测与评估的方法,其特征在于,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第一预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:
当换流阀阀厅环境图片信息含有一个故障区域时,利用深度卷积网络提取基于含有故障的换流阀阀厅环境信息中的故障区域边框特征;当换流阀阀厅环境图片信息含有多个故障区域时,将全部的故障区域固定成同等面积的故障区域,利用深度卷积网络提取同等面积的故障区域边框特征,得到每个故障区域的特征向量;
根据每个故障区域的特征向量或边框特征,利用多类别SVM分类器对每个故障区域进行分类之后,对分类结果利用非极大值抑制,得到每个故障区域对应的故障类型;
根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
10.根据权利要求8所述的换流阀在线监测与评估的方法,其特征在于,当换流阀阀厅环境故障时,基于含有故障的换流阀阀厅环境信息,利用第二预设深度学习方法对故障点进行定位及跟踪,得到故障识别结果及故障跟踪定位结果,包括:
将含有故障的换流阀阀厅环境视频信息的每一帧的换流阀阀厅环境图片信息进行切片;
根据阀厅正常数据库,利用深度学习网络及滑窗检测方法判定每一帧的切片后的图片信息的故障区域的类型进行判断,得到每个故障区域对应的故障类型;
根据每个故障区域对应的故障类型,对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果。
11.根据权利要求1所述的换流阀在线监测与评估的方法,其特征在于,根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果,包括:
利用对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果,以及换流阀运行状态信息进行分类,得到多类监测参数;
根据每类监测参数及其对应的分层权重值,对每一种预设故障目标跟踪方法得到的故障判断识别及故障跟踪定位结果进行初步评估,得到每一种预设故障目标跟踪方法的初步评估结果;
根据每一种预设故障目标跟踪方法的初步评估结果,对换流阀运行状态及换流阀阀厅环境状态进行综合评估,得到评估结果。
12.根据权利要求1所述的换流阀在线监测与评估的方法,其特征在于,还包括:
根据评估结果,对换流阀的运行状态进行相应控制。
13.一种换流阀在线监测与评估的系统,其特征在于,包括:
信息采集模块,用于利用多种监测设备监测换流阀运行状态及换流阀阀厅环境状态,并获取换流阀运行状态信息及换流阀阀厅环境状态信息;
故障识别与跟踪定位模块,用于根据所述换流阀阀厅环境状态信息,利用预设故障判断方法识别换流阀阀厅环境是否故障,当换流阀阀厅环境出现故障时,利用多种预设故障目标跟踪方法对故障点进行跟踪定位,得到故障识别结果及故障跟踪定位结果,所述故障识别结果包括故障识别图片、故障识别视频及故障识别报文,所述故障跟踪定位包括故障跟踪定位图片、故障跟踪定位视频及故障跟踪定位报文;
评估模块,用于根据换流阀运行状态信息,利用预设评估方法对多种预设故障目标跟踪方法得到的故障识别结果及故障跟踪定位结果分别进行初步评估,并根据每个初步评估结果再次进行综合评估,得到评估结果。
14.一种计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-12中任一所述的换流阀在线监测与评估的方法。
15.一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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-12中任一所述的换流阀在线监测与评估的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620261.9A CN111734885B (zh) | 2020-06-30 | 2020-06-30 | 一种换流阀在线监测与评估的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620261.9A CN111734885B (zh) | 2020-06-30 | 2020-06-30 | 一种换流阀在线监测与评估的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111734885A true CN111734885A (zh) | 2020-10-02 |
CN111734885B CN111734885B (zh) | 2021-11-30 |
Family
ID=72654051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620261.9A Active CN111734885B (zh) | 2020-06-30 | 2020-06-30 | 一种换流阀在线监测与评估的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111734885B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112394682A (zh) * | 2020-11-24 | 2021-02-23 | 河南中中中环保设备有限公司 | 热裂解蒸汽锅炉联动控制系统 |
CN112488208A (zh) * | 2020-12-03 | 2021-03-12 | 上海电力大学 | 一种海岛支柱式绝缘子剩余寿命获取方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
CN113340352A (zh) * | 2021-06-08 | 2021-09-03 | 国网浙江省电力有限公司 | 阀厅的监测方法、装置及系统 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN114154585A (zh) * | 2021-12-08 | 2022-03-08 | 武汉崧岳科技有限公司 | 一种换流站换流阀运行大数据分析系统 |
CN114674562A (zh) * | 2022-03-22 | 2022-06-28 | 中车大连机车研究所有限公司 | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 |
CN114739453A (zh) * | 2022-03-23 | 2022-07-12 | 西安交通大学 | 一种用于柔直换流阀冷却系统的检修方法 |
CN115654208A (zh) * | 2022-10-19 | 2023-01-31 | 北京好利阀业集团有限公司 | 一种基于图像识别的调节阀开度监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
JP2012175794A (ja) * | 2011-02-21 | 2012-09-10 | Jfe Steel Corp | 電力変換器の故障診断方法、及び故障診断装置 |
CN104020754A (zh) * | 2014-05-16 | 2014-09-03 | 国家电网公司 | 一种变电站一次主设备状态监测信息接入调控系统的方法 |
CN104950813A (zh) * | 2015-06-23 | 2015-09-30 | 华中科技大学 | 一种基于远程视频的数控机床故障诊断系统 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN109344688A (zh) * | 2018-08-07 | 2019-02-15 | 江苏大学 | 一种基于卷积神经网络的监控视频中人的自动识别方法 |
CN110608803A (zh) * | 2019-07-29 | 2019-12-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀阀厅监测传感器布置方法 |
CN110852899A (zh) * | 2019-10-30 | 2020-02-28 | 北京许继电气有限公司 | 一种特高压换流站阀厅红外汇集分析系统 |
-
2020
- 2020-06-30 CN CN202010620261.9A patent/CN111734885B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
JP2012175794A (ja) * | 2011-02-21 | 2012-09-10 | Jfe Steel Corp | 電力変換器の故障診断方法、及び故障診断装置 |
CN104020754A (zh) * | 2014-05-16 | 2014-09-03 | 国家电网公司 | 一种变电站一次主设备状态监测信息接入调控系统的方法 |
CN104950813A (zh) * | 2015-06-23 | 2015-09-30 | 华中科技大学 | 一种基于远程视频的数控机床故障诊断系统 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN109344688A (zh) * | 2018-08-07 | 2019-02-15 | 江苏大学 | 一种基于卷积神经网络的监控视频中人的自动识别方法 |
CN110608803A (zh) * | 2019-07-29 | 2019-12-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀阀厅监测传感器布置方法 |
CN110852899A (zh) * | 2019-10-30 | 2020-02-28 | 北京许继电气有限公司 | 一种特高压换流站阀厅红外汇集分析系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112394682A (zh) * | 2020-11-24 | 2021-02-23 | 河南中中中环保设备有限公司 | 热裂解蒸汽锅炉联动控制系统 |
CN112488208A (zh) * | 2020-12-03 | 2021-03-12 | 上海电力大学 | 一种海岛支柱式绝缘子剩余寿命获取方法 |
CN112488208B (zh) * | 2020-12-03 | 2023-02-14 | 上海电力大学 | 一种海岛支柱式绝缘子剩余寿命获取方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
CN113340352A (zh) * | 2021-06-08 | 2021-09-03 | 国网浙江省电力有限公司 | 阀厅的监测方法、装置及系统 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN114154585A (zh) * | 2021-12-08 | 2022-03-08 | 武汉崧岳科技有限公司 | 一种换流站换流阀运行大数据分析系统 |
CN114674562A (zh) * | 2022-03-22 | 2022-06-28 | 中车大连机车研究所有限公司 | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 |
CN114674562B (zh) * | 2022-03-22 | 2022-10-25 | 中车大连机车研究所有限公司 | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 |
CN114739453A (zh) * | 2022-03-23 | 2022-07-12 | 西安交通大学 | 一种用于柔直换流阀冷却系统的检修方法 |
CN114739453B (zh) * | 2022-03-23 | 2023-12-19 | 西安交通大学 | 一种用于柔直换流阀冷却系统的检修方法 |
CN115654208A (zh) * | 2022-10-19 | 2023-01-31 | 北京好利阀业集团有限公司 | 一种基于图像识别的调节阀开度监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111734885B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
US10324132B2 (en) | Systems and methods for power line event zone identification | |
CN108518804A (zh) | 一种机房温湿度环境预测方法及系统 | |
CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN113835032A (zh) | 一种纯电动汽车远程故障诊断及预警系统 | |
KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
CN112232235A (zh) | 基于5g的智慧工厂远程监控方法及系统 | |
CN110232769A (zh) | 基于大数据统计的分布式零售终端模块化预警方法 | |
CN116362545A (zh) | 一种基于工业互联网的机器视觉智能监测系统 | |
CN113078729B (zh) | 应用于变电站的操作检测方法、装置、电子设备及介质 | |
Hock et al. | Predictive analysis in energy management system | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN113626480A (zh) | 一种基于改进关联规则的直流换流站ser事件集诊断方法 | |
CN116883952B (zh) | 基于人工智能算法的电力施工现场违章识别方法及系统 | |
CN117639223A (zh) | 变电站的监控方法、装置、计算机设备及存储介质 | |
CN117728574A (zh) | 电力监控系统网络安全设备统一远程运维管控方法及系统 | |
CN116385739A (zh) | 基于检测模型的开关状态识别方法、装置、设备和介质 | |
CN114942364A (zh) | 一种基于知识图谱技术的变电站故障诊断方法与系统 | |
CN116645083A (zh) | 数据处理方法、装置、设备、存储介质和计算机程序产品 | |
CN117688477A (zh) | 柔直换流阀故障检测方法及装置 |
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 |