CN112039073B - 一种适用于配电房设备故障判断的协同优化方法及系统 - Google Patents
一种适用于配电房设备故障判断的协同优化方法及系统 Download PDFInfo
- Publication number
- CN112039073B CN112039073B CN202010985773.5A CN202010985773A CN112039073B CN 112039073 B CN112039073 B CN 112039073B CN 202010985773 A CN202010985773 A CN 202010985773A CN 112039073 B CN112039073 B CN 112039073B
- Authority
- CN
- China
- Prior art keywords
- optimization
- collaborative
- distribution room
- fault
- result
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 128
- 238000009826 distribution Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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]
Abstract
本发明公开了一种适用于配电房设备故障判断的协同优化方法及系统，包括，利用协同边缘策略对配电室感知终端分别进行多局部放电源及设备异常声音的辨识和定位；结合辨识定位结果初步判断配电室设备故障位置；基于多目标优化策略构建优化模型，依次设定协同优化目标、协同优化变量及协同优化约束条件；利用所述优化模型计算初步判断结果的可行解，获得多组满足所述约束条件的所述可行解并加以比较；选择最优的一组所述可行解作为判断优化结果的最佳解，完成优化。本发明基于融合分析结果与辨识定位结果的整合判断，添加了多目标优化策略的择优对比计算，大幅度提高设备故障判断的准确性，提升了故障设备处理效率，降低维护成本。
Description
技术领域
本发明涉及配电网和物联网信息的技术领域，尤其涉及一种适用于配电房设备故障判断的协同优化方法及系统。
背景技术
近年来，为解决配电房运行巡视存在的问题，在线监测系统和巡检机器人得到较多的应用，但是，现有电力设备在线监测系统成本高、带电安装维护不便，难以大规模应用；巡检机器人巡视的项目较少(主要是可见光和红外测温)，且功能主要停留在数据采集和简单的阈值判断阶段，智能化水平低。
因此，保障配电设备供电可靠性的工作方式应从“事后抢修巡检”转变成“事前预警主动处理”，在运行过程中不断进行状态感知和故障预判，在永久性故障发生之前将之消灭。目前配电房设备带电检测与诊断方面主要存在运检人员工作量大、检测手段性价比低、老旧和易故障设备检测准确率低等问题。
综上所述，为了实现巡检人员、配网设备的泛在物联，尝试将物联网+、人工智能等技术引入到电力设备的故障检测中，本发明综合图像识别、红外检测、局放检测、温湿度检测等检测技术融合到一起，研发配电房集成感知终端，实时读取配电房内开关柜面板上表计数据，实现巡检值班自动化，同时实时监测配电房内设备的红外、视频、局放、环境温度、湿度等信息，采用人工智能和大数据分析技术实现设备异常状态检测及故障预判，提高故障处理效率，同时开发移动端软件模块，支撑中央核心区物联网平台建设，实现示范区域内配电房，做到站房值班全天化、巡检工作制度化和自动化、状态监视常态化和事故报警及时化。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种适用于配电房设备故障判断的协同优化方法，能够解决针对配电房设备故障判断不准确、不及时、不全面的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，利用协同边缘策略对配电室感知终端分别进行多局部放电源及设备异常声音的辨识和定位；结合辨识定位结果初步判断配电室设备故障位置；基于多目标优化策略构建优化模型，依次设定协同优化目标、协同优化变量及协同优化约束条件；利用所述优化模型计算初步判断结果的可行解，获得多组满足所述约束条件的所述可行解并加以比较；选择最优的一组所述可行解作为判断优化结果的最佳解，完成优化。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：还包括，利用应用环境将所述协同优化目标、所述协同优化变量及所述协同优化约束条件程序化；调用多目标算法并关联程序化后的所述协同优化目标、所述协同优化变量及所述协同优化约束条件；利用所述多目标优化策略将所述初步判断结果产生的变量赋值到所述优化模型内进行求解计算；获得多组满足所述约束条件的所述可行解并加以比较，求得最优解；重复多次计算，得到可行解集合及Pareto最优解集；提取所述解集中最佳解作为最终的所述判断优化结果，输出优化后的目标信息，完成协同优化。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：构建所述优化模型包括，
其中，N：可行解集合，i∈N表示配电室设备i，NN：该集合中故障设备总数，优化运行指标。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：所述优化目标包括，状态感知、故障初步判断结果、辨识结果和定位信息。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：所述优化变量包括，实时关键参数状态量和历史关键参数状态量。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：所述约束条件包括，全方位感知监测状态、交互协同分析计算、全时段异常处理。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：进行所述辨识定位之前还包括，采集所述配电室感知终端的状态量数据进行归一化处理，形成样本数据集；基于深度卷积网络构建深度学习模型，输入所述样本数据集进行识别训练，直至输出识别结果与训练样本标签一致时停止训练；利用训练完成的所述深度学习模型对所述状态量进行融合分析；结合所述协同边缘策略对多个所述感知终端分别进行多局部放电源及设备异常声音的辨识和定位；基于融合分析结果和所述辨识定位结果判断所述配电室设备故障状态。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：构建所述深度学习模型包括，CNN层和编码层；所述CNN层包括，卷积层、池化层和全连接层；所述编码层包括，卷积编码层和卷积解码层。
作为本发明所述的适用于配电房设备故障判断的协同优化方法的一种优选方案，其中：对所述多局部放电源进行辨识和定位包括，基于分布式同步测量和信号强度分布的局放协同检测策略对所述多局部放电源进行辨识和定位；基于局部放电激发的电磁波信号在电力设备内部和空间的传播衰减特性和传感器的灵敏度特性，建立不同传感器的局部放电信号幅值分布指纹图库，如下，
其中，N为测量点数，L为传感器个数，即APi，i＝1、2、…、L，当局部放电发生在RPj点时，传感器APi测得的特高频电磁波信号强度为 τ为测量次数；对所述设备异常声音进行辨识和定位包括，基于多传感器时延序列分析的声源定位策略对所述设备异常声音进行辨识和定位。
作为本发明所述的适用于配电房设备故障判断的协同优化系统的一种优选方案，其中：包括，信息采集模块，用于采集配电室内各设备运行的实时状态量和历史状态量，其包括摄像头和传感器，所述摄像头用于拍摄各设备的图像信息，所述传感器用于感知所述设备运行状态的量数据；数据处理中心模块连接于所述信息采集模块，其包括计算单元、训练单元和输入输出单元，所述计算单元用于计算处理所述信息采集模块传输的所述状态量数据，所述训练单元用于深度学习、卷积处理所述样本数据集，所述输入输出单元用于传输各模块单元之间的数据流，提供通信反馈服务；分析判断模块与所述数据处理中心模块相连接，其用于接收所述输入输出单元传输的结果信息，分析判断所述配电室设备运行状态是否发生故障；优化模块连接于所述数据处理中心模块且与所述分析判断模块平行连接，其用于优化所述初步判断结果，求解、比较、选择最优的可行解作为所述判断结果的最优解。
本发明的有益效果：本发明通过状态参量的自动监测和分析取代部分带电检测人员的工作量，有效降低人工巡视成本，信息和数据实时获取；同时，基于融合分析结果与辨识定位结果的整合判断，添加了多目标优化策略的择优对比计算，大幅度提高设备故障判断的准确性，提升了故障设备处理效率，降低维护成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的适用于配电房设备故障判断的协同优化方法的流程示意图；
图2为本发明第一个实施例所述的适用于配电房设备故障判断的协同优化方法的多目标优化计算流程示意图；
图3为本发明第二个实施例所述的适用于配电房设备故障判断的协同优化系统的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2，为本发明的第一个实施例，提供了一种适用于配电房设备故障判断的协同优化方法，包括：
S1：利用协同边缘策略对配电室感知终端分别进行多局部放电源及设备异常声音的辨识和定位。其中需要说明的是，进行辨识定位之前还包括：
采集配电室感知终端的状态量数据进行归一化处理，形成样本数据集；
基于深度卷积网络构建深度学习模型，输入样本数据集进行识别训练，直至输出识别结果与训练样本标签一致时停止训练；
利用训练完成的深度学习模型对状态量进行融合分析；
结合协同边缘策略对多个感知终端分别进行多局部放电源及设备异常声音的辨识和定位；
基于融合分析结果和辨识定位结果判断配电室设备故障状态。
具体的，构建深度学习模型包括：
CNN层和编码层；
CNN层包括，卷积层、池化层和全连接层；
编码层包括，卷积编码层和卷积解码层。
S2：结合辨识定位结果初步判断配电室设备故障位置。本步骤需要说明的是，对多局部放电源进行辨识和定位包括：
基于分布式同步测量和信号强度分布的局放协同检测策略对多局部放电源进行辨识和定位；
基于局部放电激发的电磁波信号在电力设备内部和空间的传播衰减特性和传感器的灵敏度特性，建立不同传感器的局部放电信号幅值分布指纹图库，如下，
其中，N为测量点数，L为传感器个数，即APi，i＝1、2、…、L，当局部放电发生在RPj点时，传感器APi测得的特高频电磁波信号强度为 τ为测量次数；
对设备异常声音进行辨识和定位包括，基于多传感器时延序列分析的声源定位策略对设备异常声音进行辨识和定位。
S3：基于多目标优化策略构建优化模型，依次设定协同优化目标、协同优化变量及协同优化约束条件。其中还需要说明的是：
优化目标包括，状态感知、故障初步判断结果、辨识结果和定位信息；
优化变量包括，实时关键参数状态量和历史关键参数状态量；
约束条件包括，全方位感知监测状态、交互协同分析计算、全时段异常处理；
进一步的，构建优化模型包括：
其中，N：可行解集合，i∈N表示配电室设备i，NN：该集合中故障设备总数，优化运行指标。
S4：利用优化模型计算初步判断结果的可行解，获得多组满足约束条件的可行解并加以比较。
S5：选择最优的一组可行解作为判断优化结果的最佳解，完成优化。本步骤还需要说明的是：
利用应用环境将协同优化目标、协同优化变量及协同优化约束条件程序化；
调用多目标算法并关联程序化后的协同优化目标、协同优化变量及协同优化约束条件；
利用多目标优化策略将初步判断结果产生的变量赋值到优化模型内进行求解计算；
获得多组满足约束条件的可行解并加以比较，求得最优解；
重复多次计算，得到可行解集合及Pareto最优解集；
提取解集中最佳解作为最终的判断优化结果，输出优化后的目标信息，完成协同优化。
参照图2，适用于配电房设备故障判断的协同优化还包括以下步骤：
(1)对优化算法的相关参数(如种群规模、最大迭代次数等)进行初始化；
(2)编写多目标程序代码，运行、关联优化目标，并根据优化区间产生优化设计变量；
(3)判断优化变量是否满足约束条件，若是，则将优化变量赋予优化计算模型并计算目标函数，若否，则更新优化变量直至满足约束条件；
(4)对目标函数进行归一化处理，计算得到Pareto(帕雷托理论)前沿解集；
(5)判断是否达到最大迭代次数，若是，则输出优化结果，若否，则更新优化变量继续进行优化计算直至满足约束条件；
(6)提取同时满足约束条件和优化目标参数较优值，协调两者参数在同一区间运行不平衡缺陷；
(7)将较优值输入优化计算模型内，驱动仿真计算，输出优化后的参数值；
(8)对比优化前后的参数值，观测优化程度。
优选的，本实施例还需要说明的是，现有的配电房设备状态评估优化控制方法是基于接收来自配电网设备状态评估系统中无线避雷器泄漏电流传感器的数据进行电缆接头温度判断，主要是从配电网状态评估系统中的数据库中读取相关监测点的温度、环境温度数据，再判断被测物体表面和环境温度参照体表面温度之差是否超过温度阈值，并根据实际的温度数据显示一般故障或严重故障，查找环境相同的历史日数据，以历史日当前时刻为起点前推6点，将当前日当前时刻前推6点的数据和6点历史数据分别进行相减，得到6个差值，6点差值都>2，显示故障程度，包括一般故障和严重故障，对此进行控制优化，在制定检修计划的同时实现优化控制，其主要解决的问题是如何为配电网设备状态评估提供核心的控制优化方法，但是目前，我国对配网设备的状态监测、配网的检修计划都有不同程度的研究，但从状态监测开始到设备评估以及制定科学的检修计划涉及很少，配电网状态检修模块的设计以及相应判据、算法是整个配电网状态评估系统的关键。
优选的是，为了更好的对本发明中采用的技术效果加以验证说明，本实施例选择以传统的配电房设备状态评估优化控制方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的配电房设备状态评估优化控制方法对于配电房设备故障判断的准确性较低、可靠性不高、安全指标不强，且经济成本较高，为验证本发明方法相较于传统方法具有较高的设备故障判断准确性、可靠性，本实施例中将采用传统方法与本发明方法分别对南方某地区的配电室设备进行故障状态分析判断。
测试环境：(1)将该配电室设备运行状态量输入PSAPAC软件中进行仿真运行，分别仿真配网开关柜、配网电缆、配网变压器的运行；
(2)采用该地区配电网的设备运行状态检测案例作为实验数据，选择100组进行归一化处理和训练，最终确定训练度较高、归一化较好的10组数据作为测试集；
(3)分别采用两种优化方法对该实验数据进行优化计算，每种方法各测试10组数据，计算获得每组数据的最优解，与仿真模拟输入的状态量可行解进行对比计算误差，结果如下表所示。
表1：测试误差对比数据表。
参照表1，能够直观的看出，传统的配电房设备状态评估优化控制方法相较于本发明的优化时间较长，在进行优化控制时的效率是较低的，这将增加现场维护人员的工作时间和工作量，且针对于优化结果的误差值计算，本发明方法所体现的准确度高于传统方法的准确度，基于此，验证了本发明方法所具有的真实效果。
实施例2
参照图3，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种适用于配电房设备故障判断的协同优化系统，包括：
信息采集模块100，用于采集配电室内各设备运行的实时状态量和历史状态量，其包括摄像头101和传感器102，摄像头101用于拍摄各设备的图像信息，传感器102用于感知设备运行状态的量数据。
数据处理中心模块200连接于信息采集模块100，其包括计算单元201、训练单元202和输入输出单元203，计算单元201用于计算处理信息采集模块100传输的状态量数据，训练单元202用于深度学习、卷积处理样本数据集，输入输出单元203用于传输各模块单元之间的数据流，提供通信反馈服务。
分析判断模块300与数据处理中心模块200相连接，其用于接收输入输出单元203传输的结果信息，分析判断配电室设备运行状态是否发生故障。
优化模块400连接于数据处理中心模块200且与分析判断模块300平行连接，其用于优化初步判断结果，求解、比较、选择最优的可行解作为判断结果的最优解。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种适用于配电房设备故障判断的协同优化方法，其特征在于：包括，
利用协同边缘策略对配电室感知终端分别进行多局部放电源及设备异常声音的辨识和定位；
结合辨识定位结果初步判断配电室设备故障位置；
基于多目标优化策略构建优化模型，依次设定协同优化目标、协同优化变量及协同优化约束条件；
利用所述优化模型计算初步判断结果的可行解，获得多组满足所述约束条件的所述可行解并加以比较；
选择最优的一组所述可行解作为判断优化结果的最佳解，完成优化；
利用应用环境将所述协同优化目标、所述协同优化变量及所述协同优化约束条件程序化；
调用多目标算法并关联程序化后的所述协同优化目标、所述协同优化变量及所述协同优化约束条件；
利用所述多目标优化策略将所述初步判断结果产生的变量赋值到所述优化模型内进行求解计算；
获得多组满足所述约束条件的所述可行解并加以比较，求得最优解；
重复多次计算，得到可行解集合及Pareto最优解集；
提取所述解集中最佳解作为最终的所述判断优化结果，输出优化后的目标信息，完成协同优化；
构建所述优化模型包括，
其中，N：可行解集合，i∈N表示配电房设备i，NN：此集合中故障设备总数，优化运行指标；
所述优化目标包括，状态感知、故障初步判断结果、辨识结果和定位信息；
所述优化变量包括，实时关键参数状态量和历史关键参数状态量；
所述约束条件包括，全方位感知监测状态、交互协同分析计算、全时段异常处理；
对所述多局部放电源进行辨识和定位包括，
基于分布式同步测量和信号强度分布的局放协同检测策略对所述多局部放电源进行辨识和定位；
基于局部放电激发的电磁波信号在电力设备内部和空间的传播衰减特性和传感器的灵敏度特性，建立不同传感器的局部放电信号幅值分布指纹图库，如下，
其中，N为测量点数，L为传感器个数，即APi，i＝1、2、…、L，当局部放电发生在RPj点时，传感器APi测得的特高频电磁波信号强度为 τ为测量次数；
对所述设备异常声音进行辨识和定位包括，基于多传感器时延序列分析的声源定位策略对所述设备异常声音进行辨识和定位。
2.根据权利要求1所述的适用于配电房设备故障判断的协同优化方法，其特征在于：进行所述辨识定位之前还包括，
采集所述配电室感知终端的状态量数据进行归一化处理，形成样本数据集；
基于深度卷积网络构建深度学习模型，输入所述样本数据集进行识别训练，直至输出识别结果与训练样本标签一致时停止训练；
利用训练完成的所述深度学习模型对所述状态量进行融合分析；
结合所述协同边缘策略对多个所述感知终端分别进行多局部放电源及设备异常声音的辨识和定位；
基于融合分析结果和辨识定位结果判断配电房设备故障状态。
3.根据权利要求2所述的适用于配电房设备故障判断的协同优化方法，其特征在于：构建所述深度学习模型包括，CNN层和编码层；
所述CNN层包括，卷积层、池化层和全连接层；
所述编码层包括，卷积编码层和卷积解码层。
4.一种适用于配电房设备故障判断的协同优化系统，基于权利要求1～3任一所述的适用于配电房设备故障判断的协同优化方法，其特征在于：包括，
信息采集模块(100)，用于采集配电室内各设备运行的实时状态量和历史状态量，其包括摄像头(101)和传感器(102)，所述摄像头(101)用于拍摄各设备的图像信息，所述传感器(102)用于感知设备运行状态的量数据；
数据处理中心模块(200)连接于所述信息采集模块(100)，其包括计算单元(201)、训练单元(202)和输入输出单元(203)，所述计算单元(201)用于计算处理所述信息采集模块(100)传输的状态量数据，所述训练单元(202)用于深度学习、卷积处理样本数据集，所述输入输出单元(203)用于传输各模块单元之间的数据流，提供通信反馈服务；
分析判断模块(300)与所述数据处理中心模块(200)相连接，其用于接收所述输入输出单元(203)传输的结果信息，分析判断配电房设备运行状态是否发生故障；
优化模块(400)连接于所述数据处理中心模块(200)且与所述分析判断模块(300)平行连接，其用于优化初步判断结果，求解、比较、选择最优的可行解作为所述判断结果的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010985773.5A CN112039073B (zh) | 2020-09-18 | 2020-09-18 | 一种适用于配电房设备故障判断的协同优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010985773.5A CN112039073B (zh) | 2020-09-18 | 2020-09-18 | 一种适用于配电房设备故障判断的协同优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112039073A CN112039073A (zh) | 2020-12-04 |
| CN112039073B true CN112039073B (zh) | 2024-04-19 |
Family
ID=73573796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010985773.5A Active CN112039073B (zh) | 2020-09-18 | 2020-09-18 | 一种适用于配电房设备故障判断的协同优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112039073B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686404B (zh) * | 2020-12-29 | 2022-05-06 | 山东华科信息技术有限公司 | 一种基于配电网故障抢修的协同优化方法 |
| CN113655340B (zh) * | 2021-08-27 | 2023-08-15 | 国网湖南省电力有限公司 | 基于声纹识别的输电线路雷击故障定位方法、系统及介质 |
| CN117031211B (zh) * | 2023-09-25 | 2024-01-12 | 国网安徽省电力有限公司合肥供电公司 | 一种台区电网故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176113A (zh) * | 2013-04-02 | 2013-06-26 | 国家电网公司 | 一种gis局部放电检定方法及系统 |
| CN109655718A (zh) * | 2019-02-25 | 2019-04-19 | 广东工业大学 | 一种配电网故障定位方法 |
| CN110797978A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司电力科学研究院 | 一种具备边缘计算能力的智能站所终端及故障判别方法 |
| CN111273127A (zh) * | 2020-01-22 | 2020-06-12 | 广东电网有限责任公司广州供电局 | 一种配电网d-pmu故障录波数据处理方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3660523B1 (de) * | 2018-11-27 | 2023-04-19 | Siemens Aktiengesellschaft | Verfahren, einrichtung und system zum ermitteln des fehlerortes eines fehlers auf einer leitung eines elektrischen energieversorgungsnetzes |
-
2020
- 2020-09-18 CN CN202010985773.5A patent/CN112039073B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176113A (zh) * | 2013-04-02 | 2013-06-26 | 国家电网公司 | 一种gis局部放电检定方法及系统 |
| CN109655718A (zh) * | 2019-02-25 | 2019-04-19 | 广东工业大学 | 一种配电网故障定位方法 |
| CN110797978A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司电力科学研究院 | 一种具备边缘计算能力的智能站所终端及故障判别方法 |
| CN111273127A (zh) * | 2020-01-22 | 2020-06-12 | 广东电网有限责任公司广州供电局 | 一种配电网d-pmu故障录波数据处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊优化多目标进化算法的配电网故障定位;郭琰;刘淼淼;张萌;杨琰冲;陈江涛;赵晓晨;;电气工程学报;20150525(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112039073A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
| CN107167497B (zh) | 一种设备故障检测方法及系统 | |
| CN111722714B (zh) | 一种基于ar技术的数字化变电站计量运检辅助方法 | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
| CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
| CN111537841B (zh) | 一种适用于接地故障类型识别的优化方法及系统 | |
| CN105930257B (zh) | 一种确定目标测试用例的方法及装置 | |
| CN103020737A (zh) | 一种烤片烟气的预测方法 | |
| CN112330184A (zh) | 施工风险的预测方法、装置、设备和介质 | |
| CN111384776B (zh) | 一种基于vr的变电站三维全景状态监测方法及系统 | |
| CN114419753A (zh) | 一种智能巡视系统及方法 | |
| CN110766248B (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
| CN110909774A (zh) | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 | |
| CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
| CN115514679A (zh) | 一种基于通信模块的异常来源监测方法及系统 | |
| CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN116363397A (zh) | 设备故障排查方法、装置及巡检系统 | |
| CN114025148A (zh) | 一种监测方法和监测系统 | |
| CN105291104A (zh) | 基于云平台的机器人远程控制方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN117114254B (zh) | 一种电网新能源异常数据监测方法及系统 | |
| CN113052499B (zh) | 一种电力基础设施哑资源管理方法、装置、终端及介质 | |
| CN116566839A (zh) | 一种电力企业通信资源质量评估系统 | |
| Xiaomei et al. | A software intelligence level evaluation method based on analytic hierarchy process and principal component analysis |
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 |