CN113705835A - 一种基于深度学习的配电运维系统 - Google Patents
一种基于深度学习的配电运维系统 Download PDFInfo
- Publication number
- CN113705835A CN113705835A CN202110959916.XA CN202110959916A CN113705835A CN 113705835 A CN113705835 A CN 113705835A CN 202110959916 A CN202110959916 A CN 202110959916A CN 113705835 A CN113705835 A CN 113705835A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- fire
- power distribution
- maintenance
- video
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 108
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 62
- 238000012544 monitoring process Methods 0.000 claims description 58
- 238000007654 immersion Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 23
- 229910018503 SF6 Inorganic materials 0.000 description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 22
- 229910052760 oxygen Inorganic materials 0.000 description 22
- 239000001301 oxygen Substances 0.000 description 22
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 22
- 230000005540 biological transmission Effects 0.000 description 21
- 238000007791 dehumidification Methods 0.000 description 16
- 238000009529 body temperature measurement Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000000779 smoke Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- -1 games Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—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
-
- 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]
-
- 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
- H02J13/00002—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 monitoring
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于深度学习的配电运维系统，属于配电运维管理技术领域，本发明的主要思路是利用深度学习算法配合高速网络实时处理配电运维系统运行过程中产生的海量数据，特别是利用深度学习算法实时处理视频帧数据，利用可以实现对配电运维系统的智能监控和运维，提高了配电运维系统的可靠性、稳定性以及工作效率，减少了系统的运维成本。
Description
技术领域
本发明属于配电运维管理技术领域，特别涉及一种基于深度学习的配电运维系统。
背景技术
随着国民经济的持续发展，用电需求急剧增大，对电力的可靠性和稳定性要求越来越高。用电量的持续增加给予了配电设备越来越重的负荷，各种配电安全事故也越来越多，除此之外，近年来，自然事故(例如地震、暴雨、山火等)也频频增多，这对安全配电运维提出了更高的要求。传统的配电运维大量依靠人工经验，工序复杂，尽管存在一些半自动化的运维算法，但这些算法大都算力较低，更多的是依据固定的规则，而不能完成自学习化的智能运维，人力成本的减少幅度较低，且对于规则之外出现的异常不能够处理，甚至因为算法本身的问题引发了运维事故，影响了用电安全。
近年来，随着计算机算力的持续增强，机器学习算法蓬勃发展，在自然语言处理、模式识别、计算机图形学、计算机视觉、金融、医药、游戏、材料分析等各个领域已有了长足的发展，在很多领域展现比领域专家更强的优势，例如SVM算法在线性预测和非线性预测中都取得了很好的效果。鉴于SVM在很多方面发挥展示出的良好效果，我们也曾将SVM算法引入到了配电运维系统中用于智能监控配电运维中的水浸和火灾等现象，其相比传统的配电运维方式起到了一定的作用，但是其仍不足以满足配电运维系统的要求，在传统的机器学习算法之外，深度学习也在很多方面展现出了很强的能力，例如在CNN在图片识别上已经达到人类的认知能力，CNN在自然语言处理中也已经取得了很好的效果，AlphaGo利用深度学习技术在围棋领域击败了人类的顶级围棋手，AlphaFold重建了人类现有的大多数蛋白质结构，在有足够计算力的情况下，深度学习技术已经被证明在各个领域均能够发挥其巨大的优势。
基于上述问题，目前亟需设计一种基于深度学习的配电运维系统,配合高速网络传输系统，实现配电房海量数据的实时传输，特别是配电房中摄像头捕捉的帧数据，利用该系统后台的深度学习算法实时处理帧数据以监测配电房中可能出现的各种隐患，尤其是水浸和火灾这两个最重大的安全隐患。
发明内容
本发明提供一种基于深度学习的配电运维系统，通过深度学习模型分析配电房中的帧数据，提供实时的水浸和火灾报警及自动处理能力，显著降低了配电运维中可能出现的各种风险。
为了实现上述发明的目的，本发明提供了以下技术方案：一种基于深度学习的配电运维系统，包括：运维平台，监测子系统，导航子系统，视频子系统，报警子系统以及数据分析子系统；所述监测子系统监测各传感器实时采集的数据；所述导航子系统结合电子地图显示配电房的分布情况，点击图标可跳转至配电房详细信息；所述报警子系统会在不适合人员进入配电房或其他具有危险情况时，自动亮起门口报警灯；所述数据处理子系统实时接收视频子系统传来的视频帧数据；所述数据处理子系统采用深度学习算法训练生成的模型实时处理由视频子系统传来的视频帧数据判断是否出现水浸现象及火灾现象，并自动做出相应的反应；各子系统依靠高速网络互相连接；所述各子系统分别包含有安防设备、动力环境监测设备、电量、线缆监测设备以及消防设备。
运维平台前端为手机APP或Web App，运维平台分别连接电源监控子系统、箱内除湿子系统、接触式测温子系统、环境温度和湿度测量子系统、SF6和氧气监控子系统、水浸监控子系统、变压器温度监控子系统、火灾监控子系统、视频子系统、门禁子系统、报警子系统、设备归档子系统、地图导航子系统、数据分析子系统通过高速网络通讯，上述子系统可以实时向运维平台发送数据。
电力监控子系统为监控子系统的一个部分，在电力监控子系统中，进线柜安装导轨式多功能电表，将电力数据传输至运维平台后端，可检测一次PT断线和二次PT断线。线路、过压、低电压、过载等进行判断并做出相应的报警记录。可以上传三相电压、单相电压、三相电流、有功功率、功率因数等数据。功率数据可以按时间或事件记录。运维人员可以登录运维平台查看相关电量数据。
箱内除湿子系统为监控子系统的一个部分，箱内除湿子系统安装在IP4X高压柜内，对高压箱内的封闭空间进行除湿，可通过运维平台查看每个高压柜内的湿度，以及系统除湿程序。
触头测温子系统为监控子系统的一个部分，触头测温子系统通过安装在电缆头/母线接头/触头/变压器接头等处的测温探头，测量出对应位置的温度或者温度变化量，可以及时发现搭接头老化，不牢靠及轻微局放现象。通过运维平台设定温度阈值来判断设备的异常，或者在运维平台中电泳数据处理子系统对一段时间设备温度的变化来判断设备是否出现故障，并及时通知相关人员。
环境测温测湿子系统为监控子系统的一个部分，环境测温测湿子系统通过温度湿度传感器采集现场环境温度湿度数据，并发送至运维平台。通过运维平台对现场进行监控，并根据温湿度变化趋势对未来做出合理的预测，从而有效避免可能发生的问题。采集到的温、湿度数据显示在运维平台内，用户可切换查看范围和数据曲线，在运维平台中可设置预设条件，如阈值，以及某种变化趋势，当满足预设条件时，运维平台可自动开启空调或者除湿系统改变环境温湿度，同时，也可以在运维平台内手动启动空调和除湿系统。
SF6和氧气监测子系统为监控子系统的一个部分，SF6和氧气监测子系统配有SF6和氧气浓度监测装置，当SF6浓度小于1000PPM，氧气浓度低于20％VOL时是不允许进入的。当出现SF6浓度或者氧气不足时，运维平台可自动开启相应的排风控制，并在门口警铃预警，同时推送信息，将门禁系统锁死，防止人员意外进入，引起人身安全事故。
水浸监测子系统为监控子系统的一个部分，水浸监测子系统会自动监测配电房内部的水浸情况，当出现水浸情况是，运维平台自动开启水泵进行排水作业。
变压器温度监测子系统配有温度传感器为监控子系统的一个部分，变压器温度监测子系统配有温度传感器，通过运维平台可在远程查看变压器绕组温度，并进行历史记录，可调整越限报警也可以设置为温度变化率报警，保证变压器在正常范围内工作，延长其寿命。变压器过载或者过热情况下，可尽早处理防止意外跳闸。
火灾监测子系统为监控子系统的一个部分，火灾监测子系统中加入感温感烟探测器用于火灾的预警，当火情出现时，运维平台会即使推送信息通知相关工作人员和消防部门。
视频子系统中安装有多个摄像头，通过运维平台可以远程看到开关柜的状态，跳闸与否，是否出现故障，以及室内的情况，在运维人员没有到达现场时候尽可能的了解现场情况，视频球机可以旋转观察室内情况，视频子系统拍摄的视频的分辨率至少达到1080P。
门禁子系统为监控子系统的一个部分，门禁子系统通过红外记录通知进入信息，并将相关信息发送至运维平台，同时也可以打开和关闭对应的灯光控制，出现SF6泄露或者氧气不足时，自动锁死门禁。
报警子系统会在不适合人员进入配电房或其他具有危险情况时，自动亮起门口报警灯，提示运维人员进入时做好预防和保护工作后进入内部。
所述设备档案子系统中存有配电线缆、变压器、配电设备等主要设备的参数、型号、生产厂家、易损件的型号和参数，建立设备检修、维修档案。当变电站出现故障或者其他设备损坏时可以通过运维平台查到设备厂家或者其他备件资料。
所述地图导航子系统会结合电子地图显示配电房的分布情况，并汇总配电房数量、累计装机容量、累计运行容量等信息，点击图标可跳转至配电房详细信息，同时为运维和故障时快速定位提供方便。
所述数据处理子系统实时接收除视频子系统外其他各个子系统传来的数据。所述数据处理子系统采用人工神经网络训练由渲染工具生成的的数据集并生成深度学习模型。电量监测子系统采集到的电量数据，箱内除湿子系统采集到的湿度数据，触头测温子系统采集到的触头温度数据，环境测温测湿子系统采集到的环境温度湿度数据，SF6和氧气监测子系统采集到的SF6和氧气的浓度数据，水浸监测子系统采集到的水浸数据，变压器温度监测子系统采集到的变压器温度数据，火灾监测子系统采集到的烟浓度数据和温度数据，并在运维平台上实时输出相关子系统是否出现异常，并启动异常纠正机制自动纠正异常行为。例如，当判断出环境温度过高时，自动开启空调，当判断出环境湿度过高自动开启除湿功能等。在配电运维系统中，水浸和火灾的危害等级最高，为防止仅利用传感器数据判断可能出现的失误，将视频子系统采集到的视频数据输入到专门处理视频数据的人工神经网络模型中，以判断是否出现水浸现象和火灾现象，并在运维平台上实时显示出现的异常类型及危害等级，同时通知运维人员，在异常危害等级较低的情况下，由运维人员决定是否启动排水系统和/或灭火程序，在异常危害等级较高的情况下，自动启动排水系统和/或灭火程序。判断是否出现水浸现象和火灾现象具体包括如下步骤：
(1)获取由视频子系统传入的视频帧，对每一帧进行序号标记，获取视频中可能出现水浸现象或者火灾现象的帧以及其序号标记；
(2)利用已经标记好的训练集图片训练CNN模型，包括：
(2.1)由于公开的配电水浸和火灾的图片较少，利用渲染工具，渲染出不同水浸情况和火灾情况的图片，并标识出不同的水淹程度和火灾程度生成训练集，根据训练集训练CNN；
(2.2)将所述帧数据输入CNN，得到关于该帧的预测的水浸和火灾程度标记；
(3)若连续n帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为高，则自动启动排水系统和/或灭火系统，并且系统自动通知运维人员；若连续m帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为中，系统自动通知运维人员；否则判定水浸和/或火灾危险等级为低；m和n为提前设定的阈值。
所述智能配电运维管理系统的各个子系统，包括通讯连接在一起的高速网络传输装置和高速网络接收装置，所述高速网络接收装置和所述高速网络传输装置分别与所述运维平台以及所述智能网关通讯连接，用于将所述监控单元监测到的数据信号进行集中存储并通过高速网络传输方式传输至智能网关；
运维平台，包括通讯连接在一起的智能网关、WEB服务器、数据库服务器以及数据处理服务器，所述智能网关用于接收数据，所述WEB服务器用于向WEB客户端提供文档以及放置网站文件，所述数据库服务器用于储存以及管理数据，所述数据处理服务器包含有GPU阵列，用于实现对数据的处理；
进一步地，为了更好的实现本发明，所述高速网络为整体时延小于1毫秒，带宽大于10Gbit/s的网络。
进一步地，为了更好的实现本发明，所述智能配电运维管理系统包括安防设备，所述安防设备包括智能门锁、红外高清球机以及红外探测器；
所述智能配电运维管理系统包括动力环境监测设备，所述动力环境监测设备包括温湿度传感器、水侵传感器、六氟化硫传感器氧气传感器和空调以及新风传感器；
所述智能配电运维管理系统包括消防设备，所述消防设备包括温感探测器、烟感探测器。
进一步地，为了更好地实现本发明，所述智能门锁集成有第一高速网络通讯单元，所述智能门锁的第一高速网络通讯单元与所述运维平台通讯连接，用于配电所的大门。
进一步地，为了更好地实现本发明，所述红外高清球机集成有第二高速网络通道单元，所述红外高清球机的第二高速网络通讯单元与所述运维平台通讯连接，用于实时查看所述配电所电表的显示状况。
进一步地，为了更好地实现本发明，所述红外探测器、所述温湿度传感器、所述水侵传感器、所述六氟化硫传感器、所述氧气传感器、所述空调及新风传感器、所述箱内电量监测器、所述箱内除湿监测器、所述线缆测温探测器、所述温度探测器以及所述烟感探测器之间均通过高速网络无线通信协议传输。
进一步地，为了更好地实现本发明，所述智能配电运维管理系统各子系统均采用双电源模式供电，且配置UPS主机及电池组，用于紧急停电时自动切换到UPS供电。
进一步地，为了更好地实现本发明，所述运维平台设有电子地图，所述电子地图与所述配电所内的配电柜的布局相对应，用于运维管理人员实时查看所述配电所内的每一个配电柜的位置。
本发明相较于现有技术具有以下有益效果：本发明提供的高速网络传输智能配电运维系统，通过高速网络低时延和大数据量通信的特点，可以实时将数据，包括传感器采集到的数据以及视频子系统采集到的视频数据传输至运维平台后端，利用数据处理子系统通过机器学习算法实时分析处理数据，分析故障类型，自动提示人员，实现智能地配电运维管理，解决了传统的配电运维系统人工成本高，工作效率低，抢修时间长以及风险预防薄弱的技术问题。通过上述技术方案分析，本发明提供的高速网络传输智能配电运维系统，当配电所内发生异常情况时，通过现场的各种智能化传感器和摄像头第一时间将采集到的信息收集，通过高速网络的通讯传输方式传输至数据分析子系统进行自动分析、处理进而快速高效的反馈到运维管理系统，最后通过报警以及推送信息的方式下发至运维管理人员的手机或者PC端，从而保证运维人员更快捷的作出反应，及时有效的采取防控措施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的系统流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明提供的高速网络传输智能配电运维系统包含有安防设备、动力环境监测设备、电量、线缆监测设备以及消防设备。
具体的，安防设备包括智能门锁、红外高清球机、红外探测器；对于智能门锁，可通过IC卡、人脸识别、指纹以及密码的方式对门锁授权，当运维人员需要进入配电所进行维护检查时，可通过IC卡、人脸识别、指纹以及密码开门的任意一种方式打开配电所的大门；进入之后，大门自动关闭；同时，还可与红外高清球机联动，红外高清球机自带语音报警功能，当非法强入时，门禁会自动输出信号，快速的传输至运维平台，实现报警，同时可联动现场的摄像机采集图像一同传输至运维平台。在配电所的大门上方安装红外探测器，当门禁和摄像机任意一个发生故障时，红外探测器同样可以感应，当有人非法入侵时，红外探测器的节点由常开变为常闭，给报警器一个信号，同时快速的反馈传输至运维平台，实现报警，这样给配电所的安全带来了双重保障。
所述运维平台前端为手机APP或Web App，所述运维平台分别与电量监测子系统，箱内除湿子系统，触头测温子系统，环境测温测湿子系统，SF6和氧气监测子系统，水浸监测子系统，变压器温度监测子系统，火灾监测子系统、视频子系统，门禁子系统，报警子系统，设备档案子系统，地图导航子系统、数据分析子系统通过高速网络通信连接，上述子系统可将数据实时发送至所述运维平台，实现运维平台对上述各个子系统的统一监测与控制。
在所述电量监测子系统中，在进线柜中安装有一台导轨式的多功能表，用于将电量数据传输到所述运维平台后端，并能对一次PT断线、二次PT断线、过电压、低电压、过负荷等进行判定并对应报警记录。可以上传三相电压、单相电压、三相电流、有功功率、功率因数等数据。可以按时间记录电量数据，也可以按事件记录电量数据，运维人员可登录运维平台查看相关电量数据。
所述箱内除湿子系统安装与IP4X等级的高压柜中，可对高压箱内封闭空间进行除湿，通过所述运维平台可以查看每台高压柜中的湿度以及启动除湿程序。
所述触头测温子系统通过安装在电缆头/母线接头/触头/变压器接头等处的测温探头，测量出对应位置的温度或者温度变化量，可以及时发现搭接头老化，搭接不牢靠以及轻微局放的现象。通过运维平台设定温度阈值来判断设备的异常，或者在运维平台中调用数据处理子系统对一段时间设备温度的变化来判断设备是否出现故障，并及时通知相关人员。
所述环境测温测湿子系统通过温度湿度传感器采集现场环境温度湿度数据，并发送至运维平台。通过运维平台对现场进行监控，并根据温湿度变化趋势对未来做出合理的预测，从而有效避免可能发生的常问题。采集到的温、湿度数据显示在运维平台内，用户可切换查看范围和数据曲线，在运维平台中可设置预设条件，如阈值，以及某种变化趋势，当满足预设条件时，运维平台可自动开启空调或者除湿系统改变环境温湿度，同时，也可以在运维平台内手动启动空调和除湿系统。
SF6和氧气监测子系统配有SF6和氧气浓度监测装置，当SF6浓度小于1000PPM，氧气浓度低于20％VOL时是不允许进入的。当出现SF6浓度或者氧气不足时，运维平台可自动开启相应的排风控制，并在门口警铃预警，同时推送信息，将门禁系统锁死，防止人员意外进入，引起人身安全事故。
水浸监测子系统会自动监测配电房内部的水浸情况，当出现水浸情况时，运维平台自动开启水泵进行排水作业。当SF6浓度大于1000PPM，氧气浓度低于20％VOL时是不允许进入的。当出现SF6浓度过高或者氧气不足时，运维平台可自动开启相应的排风控制，并在门口警铃预警，同时推送信息，将门禁系统锁死，防止人员意外进入，引起人身安全事故。
变压器温度监测子系统配有温度传感器，通过运维平台可在远程查看变压器绕组温度，并进行历史记录，可调整越限报警也可以设置为温度变化率报警，保证变压器在正常范围内工作，延长其寿命。变压器过载或者过热情况下，可尽早处理防止意外跳闸。
火灾监测子系统中加入感温感烟探测器用于火灾的预警，当火情出现时，运维平台会即使推送信息通知相关工作人员和消防部门。
视频子系统中安装有多个摄像头，通过运维平台可以远程看到开关柜的状态，跳闸与否，是否出现故障，以及室内的情况，在运维人员没有到达现场时候尽可能的了解现场情况，视频球机可以旋转观察室内情况。
门禁子系统通过红外记录通知进入信息，并将相关信息发送至运维平台，同时也可以打开和关闭对应的灯光控制，出现SF6泄露或者氧气不足时，自动锁死门禁。
报警子系统会在不适合人员进入配电房或其他具有危险情况时，自动亮起门口报警灯，提示运维人员进入时做好预防和保护工作后进入内部。
所述设备档案子系统中存有配电线缆、变压器、配电设备等主要设备的参数、型号、生产厂家、易损件的型号和参数，建立设备检修、维修档案。当变电站出现故障或者其他设备损坏时可以通过运维平台查到设备厂家或者其他备件资料。
所述地图导航子系统会结合电子地图显示配电房的分布情况，并汇总配电房数量、累计装机容量、累计运行容量等信息，点击图标可跳转至配电房详细信息，同时为运维和故障时快速定位提供方便。
所述数据处理子系统实时接收除视频子系统外其他各个子系统传来的数据。所述数据处理子系统训练由渲染工具生成的数据集并生成深度学习模型。电量监测子系统采集到的电量数据，箱内除湿子系统采集到的湿度数据，触头测温子系统采集到的触头温度数据，环境测温测湿子系统采集到的环境温度湿度数据，SF6和氧气监测子系统采集到的SF6和氧气的浓度数据，水浸监测子系统采集到的水浸数据，变压器温度监测子系统采集到的变压器温度数据，并在运维平台上实时输出相关子系统是否出现异常，并启动异常纠正机制自动纠正异常行为。例如，当判断出环境温度过高时，自动开启空调，当判断出环境湿度过高自动开启除湿功能等。在配电运维系统中，水浸和火灾的危害程度最高，利用cnn来判断水浸和/或火灾的危害等级，在危害等级为中的情况下，由运维人员决定是否启动排水系统和/或灭火程序，在危害等级为高的情况下，自动启动排水系统和/或灭火程序。判断是否出现水浸现象和火灾现象具体包括如下步骤：
(1)获取由视频子系统传入的视频帧，对每一帧进行序号标记，获取视频中可能出现水浸现象或者火灾现象的帧以及其序号标记；
(2)利用已经标记好的训练集图片训练CNN模型，包括：
(2.1)由于公开的配电水浸和火灾的图片较少，利用渲染工具，渲染出不同水浸情况和火灾情况的图片，并标识出不同的水淹程度和火灾程度生成训练集，根据训练集训练CNN；
(2.2)将所述帧数据输入CNN，得到关于该帧的预测的水浸和火灾程度标记；
(3)若连续n帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为高，则自动启动排水系统和/或灭火系统，并且系统自动通知运维人员；若连续m帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为中，系统自动通知运维人员；否则判定水浸和/或火灾危险等级为低；m和n为提前设定的阈值。
所述智能配电运维管理系统的各个子系统，包括通讯连接在一起的高速网络传输装置和高速网络接收装置，所述高速网络接收装置和所述高速网络传输装置分别与所述运维平台以及所述智能网关通讯连接，用于将所述监控单元监测到的数据信号进行集中存储并通过高速网络传输方式传输至智能网关；
运维平台，包括通讯连接在一起的智能网关、WEB服务器、数据库服务器以及数据处理服务器，所述智能网关用于接收数据，所述WEB服务器用于向WEB客户端提供文档以及放置网站文件，所述数据库服务器用于储存以及管理数据，所述数据处理服务器包含有GPU阵列，用于实现对数据的机器学习处理；
在上述基础上，进一步优选的方式，5G高速网络传输是目前最先进的技术，5G高速网络传输装置与高速网络接收装置均集成有双频结构，因此，采用集成有高速网络通讯单元的双频结构的传输方式，传输速率可达到10-20Gbit/s，延时可达到1ms，从而使前端传感器所采集的信息和图像更精准、更高效地传输至应用子系统，使数据处理子系统动态实时地处理分析现场数据。
在上述基础上，进一步优选的方式，在智能门锁中集成有第一高速网络通讯单元，并且智能门锁的第一高速网络通讯单元与运维平台通讯连接，从而可远程通过手机APP快速高效地控制配电所的大门。
在上述基础上，进一步优选的方式，在红外高清球机中集成有第二高速网络通讯单元，第二高速网络通讯单元与运维平台通讯连接，并且红外高清球机采用800万以上的高清红外摄像头，可旋转可调焦距，进而，可远程通过手机APP或者PC端实时查看配电所电表的显示状况以及配电所现场的实际情况。
在上述基础上，进一步优选的方式，红外探测器、温湿度传感器、水侵传感器、六氟化硫传感器、氧气传感器、空调及新风传感器、箱内电量监测器、箱内除湿监测器、线缆测温探测器、温度探测器以及烟感探测器之间均通过无线通信协议传输，从而减少了布线的环节，实施更加的方便快捷。
在上述基础上，进一步优选的方式，各个子系统采用双电源模式供电，所谓双电源就是一路市电供电、一路UPS供电，并且在配电所内设置UPS主机及电池组，保障所有的设备在市电断电的情况下，可自动切换到UPS供电,而且UPS供电时长设置为不低于2小时。
在上述基础上，进一步优选的方式，运维平台内安装百度或者高德地图，同时将配电所房间的布局图导入终端子系统内，其中把百度或者高德地图与配电所的布局图相匹配；进而，运维管理人员可下载电子地图到运维平台端，当配电所内发生异常情况时，运维人员能通过手机APP或PC端实时精准地定位所发生故障的位置，从而，使运维管理人员方便快捷地找出故障所在位置，节约了时间成本。
基于上述，本发明提供的技术方案更具有先进性，创造性以及新颖性，促进了配电运维管理的智能化，提高了运维管理人员的工作效率，节约了人力成本，从而更具有实用性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明记载的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习的配电运维系统，其特征在于，所述配电运维系统包括：运维平台，监测子系统，导航子系统，视频子系统，设备档案子系统，报警子系统以及数据分析子系统；所述监测子系统监测各传感器实时采集的数据；所述导航子系统结合电子地图显示配电房的分布情况，点击图标可跳转至配电房详细信息；所述报警子系统会在不适合人员进入配电房或其他具有危险情况时，自动亮起门口报警灯；所述数据处理子系统实时接收视频子系统传来的视频帧数据；所述数据处理子系统采用深度学习算法训练生成的模型实时处理由视频子系统传来的视频帧数据判断是否出现水浸现象及火灾现象，并自动做出相应的反应；各子系统依靠高速网络互相连接。
2.根据权利要求1所述的一种基于深度学习的配电运维系统，其特征在于：所述数据处理子系统采用深度学习算法训练生成的模型实时处理由视频子系统传来的视频帧数据判断是否出现水浸现象及火灾现象，并自动做出相应的反应具体包括如下步骤：
(1)获取由视频子系统传入的视频帧，对每一帧进行序号标记，获取视频中可能出现水浸现象或者火灾现象的帧以及其序号标记；
(2)利用已经标记好的训练集图片训练CNN模型，包括：
(2.1)由于公开的配电水浸和火灾的图片较少，利用渲染工具，渲染出不同水浸情况和火灾情况的图片，并标识出不同的水淹程度和火灾程度生成训练集，根据训练集训练CNN；
(2.2)将所述帧数据输入CNN，得到关于该帧的预测的水浸和火灾程度标记；
(3)若连续n帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为高，则自动启动排水系统和/或灭火系统，并且系统自动通知运维人员；若连续m帧内被标记为水浸程度和/或火灾程度为中或高，则判定水浸和/或火灾危险等级为中，系统自动通知运维人员；否则判定水浸和/或火灾危险等级为低；m和n为提前设定的阈值。
3.根据权利要求1所述的一种基于深度学习的配电运维系统，其特征在于：所述高速网络为整体时延小于1毫秒的网络。
4.根据权利要求1所述的一种基于深度学习的配电运维系统，其特征在于：所述高速网络为整体带宽大于10Gbit/s的网络。
5.根据权利要求2所述的一种基于深度学习的配电运维系统，其特征在于：所述视频子系统拍摄的视频的分辨率至少达到1080P。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959916.XA CN113705835A (zh) | 2021-08-20 | 2021-08-20 | 一种基于深度学习的配电运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959916.XA CN113705835A (zh) | 2021-08-20 | 2021-08-20 | 一种基于深度学习的配电运维系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705835A true CN113705835A (zh) | 2021-11-26 |
Family
ID=78654110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110959916.XA Pending CN113705835A (zh) | 2021-08-20 | 2021-08-20 | 一种基于深度学习的配电运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705835A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115455106A (zh) * | 2022-08-12 | 2022-12-09 | 云南电网能源投资有限责任公司 | 配用电运维的配电监测方法、服务平台、设备及存储介质 |
| CN117375240A (zh) * | 2023-10-25 | 2024-01-09 | 盛隆电气集团有限公司 | 一种基于遗传算法和bp神经网络的配电柜监控方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑系统 |
| CN107463448A (zh) * | 2017-09-28 | 2017-12-12 | 郑州云海信息技术有限公司 | 一种深度学习权值更新方法和系统 |
| CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
| CN110739772A (zh) * | 2019-10-28 | 2020-01-31 | 广东航粤电气有限公司 | 智能配电运维系统 |
| CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
| CN111612646A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种网络化智能二次运维系统 |
| CN111900801A (zh) * | 2020-07-31 | 2020-11-06 | 上海欣能信息科技发展有限公司 | 一种基于电力物联网的配电网供电保障系统 |
| CN112234711A (zh) * | 2020-10-09 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 智能互联配电运维管理系统 |
| CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
-
2021
- 2021-08-20 CN CN202110959916.XA patent/CN113705835A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑系统 |
| CN107463448A (zh) * | 2017-09-28 | 2017-12-12 | 郑州云海信息技术有限公司 | 一种深度学习权值更新方法和系统 |
| CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
| CN110739772A (zh) * | 2019-10-28 | 2020-01-31 | 广东航粤电气有限公司 | 智能配电运维系统 |
| CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
| CN111612646A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种网络化智能二次运维系统 |
| CN111900801A (zh) * | 2020-07-31 | 2020-11-06 | 上海欣能信息科技发展有限公司 | 一种基于电力物联网的配电网供电保障系统 |
| CN112234711A (zh) * | 2020-10-09 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 智能互联配电运维管理系统 |
| CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115455106A (zh) * | 2022-08-12 | 2022-12-09 | 云南电网能源投资有限责任公司 | 配用电运维的配电监测方法、服务平台、设备及存储介质 |
| CN117375240A (zh) * | 2023-10-25 | 2024-01-09 | 盛隆电气集团有限公司 | 一种基于遗传算法和bp神经网络的配电柜监控方法及系统 |
| CN117375240B (zh) * | 2023-10-25 | 2024-09-20 | 盛隆电气集团有限公司 | 一种基于遗传算法和bp神经网络的配电柜监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112398221A (zh) | 一种安全用电监测系统 | |
| CN107991999A (zh) | 电力电缆隧道综合监控系统和方法 | |
| CN112684310B (zh) | 高压电缆综合在线智能监测系统 | |
| CN211908986U (zh) | 高速机电系统智能运维预警管理平台 | |
| CN105607617A (zh) | 一种基于物联网技术的安防故障诊断系统及方法 | |
| CN104699057A (zh) | 变电站设施智能控制系统 | |
| CN114821946B (zh) | 变电站交流电源火灾预警方法、监控终端及系统 | |
| CN107482781A (zh) | 一种低压配电监控系统 | |
| CN115833372A (zh) | 一种配电柜安全管理系统 | |
| CN108565963B (zh) | 配电网智能运行维护系统 | |
| CN106571972B (zh) | 服务器的监控方法及装置 | |
| CN212970114U (zh) | 一种综合式电气设备智能监控系统 | |
| CN113705835A (zh) | 一种基于深度学习的配电运维系统 | |
| CN110571932A (zh) | 一种基于大数据的变电站设备运行状态预警装置 | |
| CN112994230A (zh) | 一种智能变电站辅助系统用环境监控系统及其使用方法 | |
| CN113270943A (zh) | 一种智能配电柜(箱)安全监测预警方法、系统及装置 | |
| CN112169239A (zh) | 一种智慧消防监管云平台 | |
| CN114326548A (zh) | 电缆隧道综合监控系统 | |
| CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
| KR102503532B1 (ko) | 영상촬영장치가 있는 배전반 모니터링 및 관리시스템 | |
| CN113726008B (zh) | 一种基于5g传输的智能配电运维管理系统 | |
| CN212752303U (zh) | 一种基于物联网以及有线组网的智慧用电监测预警系统 | |
| CN115420973A (zh) | 一种基于分路用电信息分析的智能模块化机柜 | |
| CN110445875B (zh) | 一种基于物联网架构的智能变电站辅助系统综合监控平台 | |
| CN106602710A (zh) | 集散式电力监控系统 |
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 |