CN113344026B - 一种基于多元融合的变电站设备异常识别定位方法 - Google Patents

一种基于多元融合的变电站设备异常识别定位方法 Download PDF

Info

Publication number
CN113344026B
CN113344026B CN202110479231.5A CN202110479231A CN113344026B CN 113344026 B CN113344026 B CN 113344026B CN 202110479231 A CN202110479231 A CN 202110479231A CN 113344026 B CN113344026 B CN 113344026B
Authority
CN
China
Prior art keywords
data
monitoring
abnormal
data monitoring
transformer substation
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
Application number
CN202110479231.5A
Other languages
English (en)
Other versions
CN113344026A (zh
Inventor
韩中杰
周刚
穆国平
许路广
王洪俭
闻飞翔
黄杰
张斌
杨波
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.)
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power 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 Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110479231.5A priority Critical patent/CN113344026B/zh
Publication of CN113344026A publication Critical patent/CN113344026A/zh
Application granted granted Critical
Publication of CN113344026B publication Critical patent/CN113344026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于多元融合的变电站设备异常识别定位方法。为了克服现有技术使用单一的检测方式，存在识别误差，检测结果可信度低的问题；本发明包括以下步骤：S1：根据变电站待检设备的各项监测数据种类分配主要数据监测方式和辅助数据监测方式；S2：巡检操作机器人执行巡检任务，通过各数据监测方式获得变电站待检设备的各项监测数据；S3：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型，判断变电站设备是否存在异常；S4：在判定变电站设备存在异常时，将该变电站设备通过各数据监测方式获得的监测数据进行处理、耦合，确定异常位置与异常原因。在保证数据监测全面、多维的同时，同时减小误差区间，保证异常判定的效率。

Description

一种基于多元融合的变电站设备异常识别定位方法
技术领域
本发明涉及一种变电站故障识别领域，尤其涉及一种基于多元融合的变电站设备异常识别定位方法。
背景技术
变电站设备众多，有变压器、断路器、隔离开关、开关柜和电容器等多类设备，且每类设备不止一种。不同设备的电气特性、物理形态特征、红外特性、运行状态、声纹特性等多维特征信息都存在差异。传统设备故障诊断主要有温度检测、气味检测、外观检查、电气信息测量等几种方式。
当前应用的巡视机器人可以替代人完成设备的红外信息的读取和识别，判断设备是否正常工作。温度只是人判断设备是否存在故障的一个维度，经验丰富的老师傅还会根据设备的气味、外观、电气信息等因素综合判断设备是否存在故障，当前应用的巡检机器人是无法实现这些功能的，它只利用了设备的红外特性数据。这样的故障识别方式存在明显弊端，比如设备漏气时，其红外特性就变化不明显，单纯依靠红外信息进行故障诊断就会带来明显的漏判。如果未来真要实现智能机器人代替人类工作，就不能将一个维度的数据作为设备是否正常工作的判断依据。此外，基于人工智能的识别模型都存在一个弊端，那就是识别误差区，该区域的识别误差特别大，识别模型的判断结果是不可信的，因此有必要加入其他辅助手段降低模型的误差识别区。
例如，一种在中国专利文献上公开的“变电站智能机器人巡检系统及巡检方法”，其公告号CN102280826B，包括监控中心，所述监控中心与至少一个变电站的站级机器人智能巡检系统通过网络连接；所述各站级机器人智能巡检系统包括至少一个基站，同时在变电站内还设有环境信息采集子系统以及安装在变电站内各个需要监控设备处的固定点辅助监控子系统，所述智能巡检机器人上设有智能巡检机器人下位机，所述智能巡检机器人下位机还与检测单元连接，所述检测单元包括红外检测单元和紫外检测单元，所述紫外检测单元包含紫外视频服务器和紫外检测装置。该方案的巡检机器人仅用红外和紫外进行检测，使用单一的检测方式，存在巨大的识别误差，检测结果可信度低。
发明内容
本发明主要解决现有技术使用单一的检测方式，存在巨大的识别误差，检测结果可信度低的问题；提供一种基于多元融合的变电站设备异常识别定位方法，通过多维度的检测方式对变电站不同种类的设备进行故障诊断，综合识别设备状态，减小识别误差，提高检测结果的可信度。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于多元融合的变电站设备异常识别定位方法，包括以下步骤：
S1：根据变电站待检设备的各项监测数据种类分配待检设备的主要数据监测方式和辅助数据监测方式；
S2：巡检操作机器人执行巡检任务，通过各数据监测方式获得变电站待检设备的各项监测数据；
S3：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型，判断变电站设备是否存在异常；
S4：在判定变电站设备存在异常时，将该变电站设备通过各数据监测方式获得的监测数据进行处理、耦合，确定异常位置与异常原因。
通过多种数据监测方式用以对该变电站设备的数据进行对比验证或补全，在保证数据监测全面、多维的同时，也能够保证异常判定的效率。综合识别设备状态，减小识别误差，提高检测结果的可信度。
作为优选，所述的步骤S1包括以下具体步骤：
S11：通过加权方式计算变电站待检设备采用不同数据监测方式的评估值；
Figure BDA0003046792470000021
其中，k＝1，2，…，K；K为数据监测方式的总数；
Wk为第k种数据监测方式的评估值；
fn为第n项监测数据种类对应变电站设备发生异常的频率；
Ank表示第k种数据监测方式是否能够监测到第n项监测数据种类，是为1，否为0；
αn为第n项监测数据种类的重要度；
N为监测数据种类的总数；
S12：根据不同数据监测方式的评估值取最大值，确定变电站待检设备的主要数据监测方式Wm；
Wm＝max Wk，k＝1，2，...，K
S13：确定Wk≠0数据监测方式为辅助数据监测方式。
因为对于同一变电站设备来说，多种数据监测方式能够监测其各项数据，但是不同监测方式可能会获取同一项监测数据，例如电压数据，能通过可见光数据监测方式通过高清摄像头拍摄电压标记，通过图像识别进行读数，获得电压数据；也可以通过电气信息数据监测方式，获取电子直接获取电子标记的电压参数。通过不同监测方式能够从不同维度获得同一数据。若同一项监测数据均作为异常判断的输入的话，会存在大量的重复工作，降低判断效率。因此一个变电站待检设备绑定一种主要数据监测方式，进行异常的判断，其他数据监测方式作为辅助数据监测方式用以对该变电站设备的数据进行对比验证或补全，在保证数据监测全面、多维的同时，也能够保证异常判定的效率。
作为优选，所述的数据监测方式包括声纹数据监测、可见光数据监测、红外数据监测、局放数据监测、气味数据监测和电气信息数据监测。多种数据监测方式对该变电站设备的数据进行对比验证或补全，在保证数据监测全面、多维的同时，也能够保证异常判定的效率。
作为优选，所述的步骤S3具体包括以下步骤：
S31：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型；
S32：对应的故障识别模型判断变电站设备是否存在异常，若是，则进入步骤S4，若否，则进入步骤S33；
S33：调取该变电站设备关联的辅助数据监测方式所获得的监测数据，分别输入对应的故障识别模型；
S34：各故障识别模型分别输出判定结果，当有50％及以上的判定结果为存在异常，则判断该变电站设备异常，进入步骤S4；当所有判定结果均为不存在异常，则结束。
最终的变电站设备是否存在的异常的结果由多维度的数据监测方式判定结果耦合判定获得，减少误差区间，保证判定结果的准确性。
作为优选，在步骤S34中，当有且仅有50％以下的判定结果为存在异常，进入步骤S35；
S35：调取判定结果为存在异常的故障识别模型对应的监测数据以及对应的辅助数据监测方式，通过对比历史故障数据库中对应的数据，判定该辅助数据监测方式是否存在异常；若判定该辅助数据监测方式存在异常，则通知工作人员进行恢复；若判定该辅助数据监测方式正常，则判定对应的变电站设备异常，将该数据存入历史故障数据库中，并进入步骤S4。
通过历史故障数据的对比，判断该辅助数据监测方式是否存在异常。保证各数据监测方式能够进行正常的数据采集以及判断，进一步保证判断结果的可靠，确保变电站设备确实异常。
作为优选，当通过主要数据监测方式输出的判定结果为变电站设备正常，而通过辅助数据监测方式的判定结果为存在异常时，调取判定结果为存在异常的故障识别模型对应的监测数据，通过历史故障数据库将该监测数据对应故障类型；判断通过主要数据监测方式是否能够获取该监测类型对应的监测数据，若是，则判定主要数据监测方式故障，通知工作人员进行恢复；若否，则结束。
查找主要数据监测方式无法做出正确异常判断的原因，是无法监测到相应的数据类型还是数据检测方式出现故障。若是主要数据监测方式无法获得相应的监测数据，则将该情况存入历史故障数据库中。
作为优选，所述的步骤S4包括以下步骤：
S41：对变电站环境进行三维建模，构建变电站三维模型；
S42：对判定结果为存在异常的监测数据分别进行图像化处理确定异常区间，计算监测数据的位置，形成三维异常模型；
S43：将各三维异常模型矩阵化，并将各矩阵化后的三维异常模型叠加耦合到变电站三维模型中，确定异常概率区间；
S44：根据判定变电站设备存在异常的原始监测数据的种类以及数据监测方式，通过查表判断异常原因。
通过查询故障原因真值表获得异常原因。故障原因真值表是不同维度(不同数据监测方式)的监测数据结果对应异常原因。根据不同维度的监测数据表现，查找对应的异常原因。
作为优选，所述的步骤S42包括：
S421：根据判定结果为存在异常的监测数据的获取时间，得到获得该监测数据的数据监测方式的发生位置；
S422：以数据监测方式发生位置与变电站设备的不同距离作为图像化平面，将不同距离的监测数据图像化转换；
S423：将图像化转换后的监测数据结合距离数据构成三维异常模型。
图像化显示，更加直观。
作为优选，矩阵化后的z平面上的三维异常模型形式为：
Figure BDA0003046792470000041
R＝{R1，R2，R3，...，Rz}
其中，rijz为矩阵化后的三维异常模型中的参数；
R为矩阵化后的三维异常模型；
R1，R2，R3分别为矩阵化后z＝1，2，3的平面异常模型。
数据直观，根据数值的大小确定故障范围的概率，数值越大的该位置故障概率越大，反之故障的效率越小。
作为优选，还包括如下步骤：
S5：查找异常原因对应的恢复方式，通过远程向巡检操作机器人发布操作任务，巡检操作机器人执行任务。巡检操作机器人实现远程巡检与操作，不需要相关工作人员赶去现场，节省人力成本，提高操作效率。
本发明的有益效果是：
1.通过多种数据监测方式用以对该变电站设备的数据进行对比验证或补全，在保证数据监测全面、多维的同时，也能够保证异常判定的效率。
2.巡检操作机器人实现远程巡检与操作，不需要相关工作人员赶去现场，节省人力成本，提高操作效率。
3.根据各种故障识别模型输出的结果相互检验，对各种数据监测方式是否异常进行判断；从而保证对变电站设备是否异常的判断结果的准确。
4.通过图像化将故障显示在三维模型上，表现更加直观，能更加直观地确定故障范围。
附图说明
图1是本发明的变电站设备异常识别定位方法的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例的一种基于多元融合的变电站设备异常识别定位方法，如图1所示，以下步骤：
S1：根据变电站待检设备的各项监测数据种类分配待检设备的主要数据监测方式和辅助数据监测方式。
监测数据种类包括电流、电压和温度等数据。
数据监测方式包括但不限于声纹数据监测、可见光数据监测、红外数据监测、局放数据监测、气味数据监测和电气信息数据监测。对于一个变电站待检设备，将数据监测方式分配为一个主要数据监测方式以及若干的辅助数据监测方式。
声纹数据监测方式通过阵列麦克风获取各变电站设备工作状态下的声音，提取声音的声纹数据。
可见光数据检测监测方式通过高清摄像头拍摄照片或视频流，再通过图像识别进行故障判断。
红外数据监测通过红外摄像头获取变电站环境及各设备的红外数据。
局放数据监测方式通过局放传感器获取局部放电数据。
气味数据监测方式通过收集分析空气成分，判断产生气味的气体成分含量作为气味数据。
S11：根据各项监测数据种类通过加权方式计算变电站待检设备采用不同数据监测方式的评估值；
Figure BDA0003046792470000061
其中，k＝1，2，…，K；K为数据监测方式的总数；
Wk为第k种数据监测方式的评估值；
fn为第n项监测数据种类对应变电站设备发生异常的频率；
Ank表示第k种数据监测方式是否能够监测到第n项监测数据种类，是为1，否为0；
αn为第n项监测数据种类的重要度；
N为监测数据种类的总数。
fn由历史故障数据库中对应的数据统计获得；决定αn包括该项监测数据对其他变电站设备的影响、该项监测项目对该变电站设备工作的影响和该变电站设备的重要程度等。
S12：根据不同数据监测方式的评估值取最大值，确定变电站待检设备的主要数据监测方式W；
W＝max Wk，k＝1，2，...，K
以涉及监测数据种类最多、异常发生频率最高和重要度确定主要数据检测方式。
S13：确定Wk≠0数据监测方式为辅助数据监测方式。
因为对于同一变电站设备来说，多种数据监测方式能够监测其各项数据，但是不同监测方式可能会获取同一项监测数据，例如电压数据，能通过可见光数据监测方式通过高清摄像头拍摄电压标记，通过图像识别进行读数，获得电压数据；也可以通过电气信息数据监测方式，获取电子直接获取电子标记的电压参数。通过不同监测方式能够从不同维度获得同一数据。
若同一项监测数据均作为异常判断的输入的话，会存在大量的重复工作，降低判断效率。因此一个变电站待检设备绑定一种主要数据监测方式，进行异常的判断，其他数据监测方式作为辅助数据监测方式用以对该变电站设备的数据进行对比验证或补全，在保证数据监测全面、多维的同时，也能够保证异常判定的效率。
S2：巡检操作机器人执行巡检任务，通过各数据监测方式获得变电站待检设备的各项监测数据。
在执行巡检任务阶段，所有数据监测方式一起执行，从多个维度同时采集获取变电站各种待检设备的各项监测数据，数据采集全面、多维。
S3：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型，判断变电站设备是否存在异常。
S31：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型。
各种数据检测方式均对应一种故障数据识别模型。声纹数据监测对应声纹识别模型；可见光数据监测对应图像识别模型；红外数据检测对应红外识别模型；局放数据监测对应局放识别模型；气味数据监测对应气味识别模型；电气信息数据监测对应电器信息识别模型。各数据监测方式的变电站设备异常判断过程相互独立判断。
S32：对应的故障识别模型判断变电站设备是否存在异常，若是，则进入步骤S4，若否，则进入步骤S33。
S33：调取该变电站设备关联的辅助数据监测方式所获得的监测数据，分别输入对应的故障识别模型。
S34：各故障识别模型分别输出判定结果。
当有50％及以上的判定结果为存在异常，则判断该变电站设备异常，进入步骤S4；当有且仅有50％以下的判定结果为存在异常，进入步骤S35；
当所有判定结果均为不存在异常，则结束。
最终的变电站设备是否存在的异常的结果由多维度的数据监测方式判定结果耦合判定获得，减少误差区间，保证判定结果的准确性。
S35：调取判定结果为存在异常的故障识别模型对应的监测数据以及对应的辅助数据监测方式，通过对比历史故障数据库中对应的数据，判定该辅助数据监测方式是否存在异常。
若判定通过该辅助数据监测方式获得的监测数据存在异常，则是辅助数据监测方式故障，通知工作人员进行恢复；若判定该辅助数据监测方式正常，则判定对应的变电站设备异常，将该数据存入历史故障数据库中，并进入步骤S4。
通过历史故障数据的对比，判断该辅助数据监测方式是否存在异常。保证各数据监测方式能够进行正常的数据采集以及判断，进一步保证判断结果的可靠，确保变电站设备确实异常。
当通过主要数据监测方式输出的判定结果为变电站设备正常，而通过辅助数据监测方式的判定结果为存在异常时，调取判定结果为存在异常的故障识别模型对应的监测数据，通过历史故障数据库将该监测数据对应故障类型。
判断通过主要数据监测方式是否能够获取该监测类型对应的监测数据，若是，则判定主要数据监测方式故障，通知工作人员进行恢复；若否，则结束。
查找主要数据监测方式无法做出正确异常判断的原因，是无法监测到相应的数据类型还是数据检测方式出现故障。若是主要数据监测方式无法获得相应的监测数据，则将该情况存入历史故障数据库中。
S4：在判定变电站设备存在异常时，将该变电站设备通过各数据监测方式获得的监测数据进行处理、耦合，确定异常位置与异常原因。
S41：对变电站环境进行三维建模，构建变电站三维模型。
巡检操作机器人双目摄像头对变电站进行三维建模，利用激光雷达对巡检操作机器人定位，通过人工添加将各设备添加到相应的三维模型中，最终形成一个包括各变电站设备位置布局的变电站三维模型。
S42：对判定结果为存在异常的监测数据分别进行图像化处理确定异常区间，计算监测数据的位置，形成三维异常模型。
S421：根据判定结果为存在异常的监测数据的获取时间，得到获得该监测数据的数据监测方式的发生位置。
例如，通过声纹数据判定变电站设备故障，则通过该声纹数据获得的时间戳来获得此时阵列麦克风的位置。
S422：以数据监测方式发生位置与变电站设备的不同距离作为图像化平面，将不同距离的监测数据图像化转换。
即，以不同时间获取的存在异常的监测数据，使其转换为平面图像。
可见光监测方式和红外监测方式图像化转换过程为：
通过拍摄的图片或视频流，将时间对齐，与历史故障数据库中的数据比较，识别故障区域，将故障区域标记。
局放监测方式图像化转换过程为：
将局放传感器监测到的地电波信号，时间对齐，通过地电波信号异常出现的时间，计算故障区域，在图像上表示。
声纹监测方式图像化转换过程为：
将每个振元的输入信号平移，使其在时间上对齐，再相加。输出的表现形式为：
Figure BDA0003046792470000091
其中，ωm为第m个振元的加权系数；M为振元总数；θ为扫描角度；t为时间；τm(θ)为第m个振元在扫描角度θ的时间；x为振元数据。
气味监测方式图像化转换过程为：
在时间上对齐后，将气体含量数据以图像化表示在三维坐标系中。
在本实施例中，图像化表示可以是用个不同颜色表示数据值的大小。
S423：将图像化转换后的监测数据结合距离数据构成三维异常模型。
将各平面图形数据融合数据获取时的距离数据，将其对应到变电站三维模型中。
S43：将各三维异常模型矩阵化，并将各矩阵化后的三维异常模型叠加耦合到变电站三维模型中，确定异常概率区间。
矩阵化后的z平面上的三维异常模型形式为：
Figure BDA0003046792470000092
R＝{R1，R2，R3，...，Rz}
其中，rijz为矩阵化后的三维异常模型中的参数；
R为矩阵化后的三维异常模型；
R1，R2，R3分别为矩阵化后z＝1，2，3的平面异常模型。
S44：根据判定变电站设备存在异常的原始监测数据的种类以及数据监测方式，通过查表判断异常原因。
通过查询故障原因真值表获得异常原因。故障原因真值表是不同维度(不同数据监测方式)的监测数据结果对应异常原因。根据不同维度的监测数据表现，查找对应的异常原因。
S5：查找异常原因对应的恢复方式，通过远程向巡检操作机器人发布操作任务，巡检操作机器人执行任务。
巡检操作机器人包括但不限于置在云台上的多功能夹爪和设置在机器人底盘上方的手车输出模组。
在本实施例中，多功能夹爪包括夹爪与伸缩杆，手车输出模组适配柜体的手车形状。
巡检操作机器人执行下发的操作任务，对变电站设备操作。手车输出模组在使用时对准手车，旋转将手车摇出；多功能夹爪的夹爪夹住旋钮或压板，进行旋转；多功能夹爪的伸缩杆对伸缩对按钮进行按压。
巡检操作机器人实现远程巡检与操作，不需要相关工作人员赶去现场，节省人力成本，提高操作效率。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (9)

1.一种基于多元融合的变电站设备异常识别定位方法，其特征在于，包括以下步骤：
S1：根据变电站待检设备的各项监测数据种类分配待检设备的主要数据监测方式和辅助数据监测方式；
S2：巡检操作机器人执行巡检任务，通过各数据监测方式获得变电站待检设备的各项监测数据；
S3：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型，判断变电站设备是否存在异常；
S4：在判定变电站设备存在异常时，将该变电站设备通过各数据监测方式获得的监测数据进行处理、耦合，确定异常位置与异常原因；
所述的步骤S1包括以下具体步骤：
S11：通过加权方式计算变电站待检设备采用不同数据监测方式的评估值；
Figure DEST_PATH_IMAGE002
其中，k=1,2，…，K；K为数据监测方式的总数；
Figure DEST_PATH_IMAGE004
为第k种数据监测方式的评估值；
Figure DEST_PATH_IMAGE006
为第n项监测数据种类对应变电站设备发生异常的频率；
Figure DEST_PATH_IMAGE008
表示第k种数据监测方式是否能够监测到第n项监测数据种类，是为1，否为0；
Figure DEST_PATH_IMAGE010
为第n项监测数据种类的重要度；
N为监测数据种类的总数；
S12：根据不同数据监测方式的评估值取最大值，确定变电站待检设备的主要数据监测方式
Figure DEST_PATH_IMAGE012
；
Figure DEST_PATH_IMAGE014
S13：确定
Figure DEST_PATH_IMAGE016
数据监测方式为辅助数据监测方式。
2.根据权利要求1所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，所述的数据监测方式包括声纹数据监测、可见光数据监测、红外数据监测、局放数据监测、气味数据监测和电气信息数据监测。
3.根据权利要求1所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，所述的步骤S3具体包括以下步骤：
S31：将通过主要数据监测方式获得的监测数据输入对应的故障识别模型；
S32：对应的故障识别模型判断变电站设备是否存在异常，若是，则进入步骤S4，若否，则进入步骤S33；
S33：调取该变电站设备关联的辅助数据监测方式所获得的监测数据，分别输入对应的故障识别模型；
S34：各故障识别模型分别输出判定结果，当有50%及以上的判定结果为存在异常，则判断该变电站设备异常，进入步骤S4；当所有判定结果均为不存在异常，则结束。
4.根据权利要求3所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，在步骤S34中，当有且仅有50%以下的判定结果为存在异常，进入步骤S35；
S35：调取判定结果为存在异常的故障识别模型对应的监测数据以及对应的辅助数据监测方式，通过对比历史故障数据库中对应的数据，判定该辅助数据监测方式是否存在异常；若判定该辅助数据监测方式存在异常，则通知工作人员进行恢复；若判定该辅助数据监测方式正常，则判定对应的变电站设备异常，将该数据存入历史故障数据库中，并进入步骤S4。
5.根据权利要求3所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，当通过主要数据监测方式输出的判定结果为变电站设备正常，而通过辅助数据监测方式的判定结果为存在异常时，调取判定结果为存在异常的故障识别模型对应的监测数据，通过历史故障数据库将该监测数据对应故障类型；判断通过主要数据监测方式是否能够获取该故障类型对应的监测数据，若是，则判定主要数据监测方式故障，通知工作人员进行恢复；若否，则结束。
6.根据权利要求2所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，所述的步骤S4包括以下步骤：
S41：对变电站环境进行三维建模，构建变电站三维模型；
S42：对判定结果为存在异常的监测数据分别进行图像化处理确定异常区间，计算监测数据的位置，形成三维异常模型；
S43：将各三维异常模型矩阵化，并将各矩阵化后的三维异常模型叠加耦合到变电站三维模型中，确定异常概率区间；
S44：根据判定变电站设备存在异常的原始监测数据的种类以及数据监测方式，通过查表判断异常原因。
7.根据权利要求6所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，所述的步骤S42包括：
S421：根据判定结果为存在异常的监测数据的获取时间，得到获得该监测数据的数据监测方式的发生位置；
S422：以数据监测方式发生位置与变电站设备的不同距离作为图像化平面，将不同距离的监测数据图像化转换；
S423：将图像化转换后的监测数据结合距离数据构成三维异常模型。
8.根据权利要求6或7所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，矩阵化后的z平面上的三维异常模型形式为：
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为矩阵化后的三维异常模型中的参数；
Figure DEST_PATH_IMAGE024
为矩阵化后的三维异常模型；
Figure DEST_PATH_IMAGE026
分别为矩阵化后z=1,2,3的平面异常模型。
9.根据权利要求1所述的一种基于多元融合的变电站设备异常识别定位方法，其特征在于，还包括如下步骤：
S5：查找异常原因对应的恢复方式，通过远程向巡检操作机器人发布操作任务，巡检操作机器人执行任务。
CN202110479231.5A 2021-04-29 2021-04-29 一种基于多元融合的变电站设备异常识别定位方法 Active CN113344026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110479231.5A CN113344026B (zh) 2021-04-29 2021-04-29 一种基于多元融合的变电站设备异常识别定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110479231.5A CN113344026B (zh) 2021-04-29 2021-04-29 一种基于多元融合的变电站设备异常识别定位方法

Publications (2)

Publication Number Publication Date
CN113344026A CN113344026A (zh) 2021-09-03
CN113344026B true CN113344026B (zh) 2022-05-24

Family

ID=77469232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110479231.5A Active CN113344026B (zh) 2021-04-29 2021-04-29 一种基于多元融合的变电站设备异常识别定位方法

Country Status (1)

Country Link
CN (1) CN113344026B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114629784B (zh) * 2021-11-16 2023-06-23 西安交通大学 一种高压电器视频流故障可视化方法
CN114283330B (zh) * 2021-11-17 2024-03-26 国电南瑞科技股份有限公司 基于多源数据的在线巡检识别方法及系统
CN115236469B (zh) * 2022-07-26 2023-07-18 沈阳农业大学 一种无人值守变电站在线监控方法、系统、介质及设备
CN116699329B (zh) * 2023-06-05 2024-07-26 国网江苏省电力有限公司南通供电分公司 一种变电站空间声纹可视化成像方法
CN118464201B (zh) * 2024-07-10 2024-09-13 甘肃同兴智能科技发展有限责任公司 一种基于多维数据识别的电力设备监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684306A (zh) * 2012-05-17 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种变电站智能运行的方法
CN104716741A (zh) * 2015-02-13 2015-06-17 华东理工大学 变电站远程监测系统及其远程监测方法
EP3098613A1 (en) * 2015-05-28 2016-11-30 Services Pétroliers Schlumberger System and method for monitoring the performances of a cable carrying a downhole assembly
CN108564254A (zh) * 2018-03-15 2018-09-21 国网四川省电力公司绵阳供电公司 基于大数据的配电设备状态可视化平台
CN108572276A (zh) * 2017-03-14 2018-09-25 德克萨斯仪器股份有限公司 差分驱动的无线谐振发射器的峰值电压检测
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN110011416A (zh) * 2019-03-25 2019-07-12 中国电力科学研究院有限公司 一种变电设备在线监测装置可靠性评估方法及装置
CN111459778A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN112396292A (zh) * 2020-10-22 2021-02-23 国网浙江省电力有限公司嘉兴供电公司 一种基于物联网及边缘计算的变电站设备风险管控系统
CN112713649A (zh) * 2020-10-22 2021-04-27 国网浙江省电力有限公司嘉兴供电公司 一种基于极限学习机的电力设备剩余寿命预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102684306A (zh) * 2012-05-17 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种变电站智能运行的方法
CN104716741A (zh) * 2015-02-13 2015-06-17 华东理工大学 变电站远程监测系统及其远程监测方法
EP3098613A1 (en) * 2015-05-28 2016-11-30 Services Pétroliers Schlumberger System and method for monitoring the performances of a cable carrying a downhole assembly
CN108572276A (zh) * 2017-03-14 2018-09-25 德克萨斯仪器股份有限公司 差分驱动的无线谐振发射器的峰值电压检测
CN108564254A (zh) * 2018-03-15 2018-09-21 国网四川省电力公司绵阳供电公司 基于大数据的配电设备状态可视化平台
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN110011416A (zh) * 2019-03-25 2019-07-12 中国电力科学研究院有限公司 一种变电设备在线监测装置可靠性评估方法及装置
CN111459778A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN112396292A (zh) * 2020-10-22 2021-02-23 国网浙江省电力有限公司嘉兴供电公司 一种基于物联网及边缘计算的变电站设备风险管控系统
CN112713649A (zh) * 2020-10-22 2021-04-27 国网浙江省电力有限公司嘉兴供电公司 一种基于极限学习机的电力设备剩余寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Iterative Online Fault Identification Scheme for High-Voltage Circuit Breaker Utilizing a Lost Data Repair Technique;Gang Zhou et al.;《Energies》;20200628;第13卷(第13期);1-15 *
电力统计数据的质量评估及其异常检测方法研究;秦璇;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20140115(第01期);全文 *

Also Published As

Publication number Publication date
CN113344026A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113344026B (zh) 一种基于多元融合的变电站设备异常识别定位方法
CN111798407B (zh) 一种基于神经网络模型的带电设备故障诊断方法
CN109725247B (zh) 一种电路板远程维护保障方法及系统
WO2017084186A1 (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
CN110648001A (zh) 一种轨道交通信号系统的巡检方法和系统
US20120254664A1 (en) Automatic test system for digital display systems
CN107481223B (zh) 一种接线状态图像自动识别的方法及装置
CN112083000B (zh) 一种变电站设备外观缺陷的智能识别方法及系统
CN113449767B (zh) 一种多图像融合的变电站设备异常识别定位方法
CN116934062B (zh) 一种基于多元融合的信息处理系统及方法
CN113450471A (zh) 一种生产园区智能巡检系统
CN114460439A (zh) 一种数字集成电路测试系统
CN106454338B (zh) 电子设备图片显示效果检测方法及装置
CN111428987A (zh) 一种基于人工智能的继保装置图像识别方法和系统
KR20210020520A (ko) 가공배전선로의 진단보고서 자동작성 시스템 및 방법
CN112489017A (zh) 一种电力设备故障智能识别方法及识别系统
KR20230056006A (ko) 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법
CN116702407A (zh) 一种基于数字孪生的异常空间位置定位方法及系统
CN115379197A (zh) 用于在生产线上检测摄像头产品的镜头表面的方法和装置
CN112085654B (zh) 一种可配置式模拟屏识别系统
CN113033469A (zh) 工器具损坏识别方法、装置、设备、系统及可读存储介质
JP2021174216A (ja) 設備点検システム、設備点検方法
JP2000077495A (ja) 検査システム及びそれを用いた電子デバイスの製造方法
CN117649642B (zh) 基于多视频摄像头的异常行为分析方法及系统
CN117472629B (zh) 一种电子信息系统多故障诊断方法及系统

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