CN113792453A - 基于数字孪生的局部放电监测系统、方法和装置 - Google Patents
基于数字孪生的局部放电监测系统、方法和装置 Download PDFInfo
- Publication number
- CN113792453A CN113792453A CN202110987152.5A CN202110987152A CN113792453A CN 113792453 A CN113792453 A CN 113792453A CN 202110987152 A CN202110987152 A CN 202110987152A CN 113792453 A CN113792453 A CN 113792453A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- monitoring
- partial discharge
- bottom layer
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 50
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 30
- 238000003745 diagnosis Methods 0.000 claims description 20
- 238000013079 data visualisation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请涉及一种基于数字孪生的局部放电监测系统、方法、装置、计算机设备和存储介质，包括：数据监测模块，从设备实体获取相应的底层监测数据，并将获取的底层监测数据发送至数据预处理模块；数据预处理模块，接收数据监测模块发送的底层监测数据，将底层监测数据进行预处理；数字孪生模块，获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，通过建立的模型识别底层监测数据的局部放电数据。本申请从所连接的设备实体获取监测数据，将监测数据传输至数据预处理模块经过预处理后存储，数字孪生模块建立几何模型和物理模型，进一步获取局部放电数据；数据的监控过程不受外界干扰，提高了基于数字孪生的局部放电监测的效率。
Description
技术领域
本申请涉及电力设备数字孪生技术领域，特别是涉及一种基于数字孪生的局部放电监测系统、方法、装置、计算机设备和存储介质。
背景技术
数字孪生是一种实现物理系统向信息空间数字化模型映射的技术，数字孪生技术基于数字化标识、自动化感知、网络化连接、普惠化计算、智能化控制和平台化服务等信息技术体系，为推进电网安全稳定运行、建设能源互联网企业提供了新思路和途径。
随着电网建设规模的扩大和数字经济的推动，电网数字化和智能化越来越成为电力行业发展的迫切需求。变压器的设计的不断更迭，其内部结构愈加复杂，容易出现变压器内部局部放电的现象，从而影响变压器的安全稳定运行，因此需要进行变压器内部局部放电诊断研究。但现有的局部放电监测方法容易受到外界环境的干扰，导致无法得到精准的变压器内部局部放电监测结果。
发明内容
基于此，有必要针对上述技术问题，提供一种基于数字孪生的局部放电监测系统、方法、装置、计算机设备和存储介质。
一种基于数字孪生的局部放电监测系统，包括：数据监测模块、数据预处理模块以及数字孪生模块；所述数据监测模块、所述数据预处理模块及所述数字孪生模块之间通信连接；
所述数据监测模块，用于从设备实体获取相应的底层监测数据，并将获取的所述底层监测数据发送至所述数据预处理模块；
所述数据预处理模块，用于接收所述数据监测模块发送的所述底层监测数据，将底层监测数据进行预处理后存储至数据库；
所述数字孪生模块，用于获取所述底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
在其中一个实施例中，所述基于数字孪生的局部放电监测系统，还包括故障诊断模块；所述故障诊断模块用于通过所述局部放电数据分析局部放电发生的原因，得到故障诊断结果。
在其中一个实施例中，所述基于数字孪生的局部放电监测系统，还包括数据可视化模块；所述数据可视化模块用于根据所述局部放电数据生成数据可视化结果。
在其中一个实施例中，所述数据监测模块，还用于通过局部放电仪获取所述底层监测数据；所述底层监测数据至少包括最大放电量、平均放电量、放电次数。
在其中一个实施例中，所述故障诊断模块还用于通过差分进化算法，对所述局部放电数据进行种群初始化处理、变异处理、交叉处理和选择处理，得到优化后的局部放电数据；利用预设测试集对所述优化后的局部放电数据进行验证，根据验证结果生成所述故障诊断结果。
在其中一个实施例中，所述数据可视化模块还包括实时数据模块、历史数据模块、以及分析预测模块；
所述实时数据模块用于响应于用户的第一点击操作，获取所述几何模型和所述物理模型；根据所述几何模型和所述物理模型对所述底层监测数据的变化趋势进行绘制并显示；所述第一点击操作携带有第一操作标识；
所述历史数据模块用于响应于用户的第二点击操作，从预设数据库中获取历史底层监测数据，根据所述历史底层监测数据进行数据绘制并进行显示；所述第二点击操作携带有第二操作标识；
所述分析预测模块用于响应于用户输入的时间信息，根据所述底层监测数据确定出所述时间信息对应时间范围内，发生局部放电的预测结果。
一种基于数字孪生的局部放电监测方法，所述方法包括：
从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
获取所述预处理后的底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
一种基于数字孪生的局部放电监测装置，所述装置包括：
数据采集模块，用于从设备实体获取相应的底层监测数据，并将获取的所述底层监测数据进行预处理后存储至数据库；
数据处理模块，用于获取所述底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
获取所述底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
获取所述底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
上述基于数字孪生的局部放电监测系统、方法、装置、计算机设备和存储介质，系统包括：数据监测模块、数据预处理模块以及数字孪生模块；数据监测模块、数据预处理模块及数字孪生模块之间通信连接；数据监测模块，用于从设备实体获取相应的底层监测数据，并将获取的底层监测数据发送至数据预处理模块；数据预处理模块，用于接收数据监测模块发送的底层监测数据，将底层监测数据进行预处理后存储至数据库；数字孪生模块，用于获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。本申请通过数据监测模块实时从所连接的设备实体获取监测数据，将该监测数据传输至数据预处理模块经过预处理后存储，数字孪生模块建立几何模型和物理模型，进一步获取局部放电数据；实现了数据的监控过程不受外界干扰，提高了基于数字孪生的局部放电监测的效率。
附图说明
图1为一个实施例中基于数字孪生的局部放电监测系统的结构示意图；
图2为一个实施例中基于数字孪生的局部放电监测方法的应用环境图；
图3为一个实施例中基于数字孪生的局部放电监测方法的流程示意图；
图4为一个实施例中基于数字孪生的局部放电监测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供的基于数字孪生的局部放电监测系统，包括：数据监测模块11、数据预处理模块12以及数字孪生模块13；数据监测模块11、数据预处理模块12及数字孪生模块13之间通信连接；数据监测模块11，用于从设备实体获取相应的底层监测数据，并将获取的底层监测数据发送至数据预处理模块12；数据预处理模块12，用于接收数据监测模块发送的底层监测数据，将底层监测数据进行预处理后存储至数据库；数字孪生模块13，用于获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。
其中，数据监测模块与局部放电仪等用于监测的设备实体相连接，以通过设备实体实时或周期性地获取相应的底层监测数据；数据预处理模块能够对数据监测模块传输的底层监测数据进行数据校验等预处理，数据校验能够判断数据是否完整，是否满足系统对于数据获取时间的范围要求等；经过校验、判断等预处理后，数据预处理模块根据接收到的底层监测数据的具体类型、所监测时间等信息分别存储至相应的数据库中，以等待数字孪生模块提取底层监测数据并根据数据的具体类型、所监测时间等信息生成用于判断出是否产生了局部放电的几何模型和物理模型，并通过上述模型得到被监测设备产生局部放电的局部放电数据。设备实体还可以通过将油纸绝缘沿面放电模型用于模拟变压器内部真实局部放电实现。
具体地，数据监测模块可通过局放仪实时监测局部放电发生时的最大放电量、平均放电量、放电次数等参数，过程中可以采用恒压法对放电信号进行采集监测，具体步骤为：1)以2kV/30s缓慢升高电压；2)出现放电信号时，立即升高至1.4U的电压下进行恒压局部放电试验。通过HFCT(超宽带高频脉冲电流传感器)检测到的信号连接到局部放电巡检仪以对放电信号进行采集、记录和分析。
数据预处理模块可以采用稀疏分解理论与IQPSO算法(一种基于粒子群优化的量子粒子群优化算法)相结合，对局放信号进行去噪的预处理，具体包括采用稀疏分解理论与IQPSO算法相结合，对局放信号进行去噪，具体包括：
1)将适应度函数f设定为染噪局放信号或其残差信号与局放脉冲匹配原子的内积绝对值，将寻优参数组设定为原子参数。确定种群规模n、最大进化次数T、允许迭代停止更新次数M。
2)对染噪局放信号x或其残差信号Rkx进行稀疏分解，根据各原子参数中因子的范围对种群进行初始化，置当前迭代停止更新累计次数N＝1。
3)计算各粒子的适应度值，对个体最优适应度值及其位置、全局最优适应度值及其位置进行更新和记录。
4)根据α＝α0-vα1计算进化速度因子v的值，并得到收缩扩张系数α的值。其中，α0为α初值，一般取1；α1为速度因子权重，一般取0.5。同时，若v＝1,则N＝N+1；
5)若N<M,则对各粒子进行进化操作；若N＝M，则对各粒子进行混沌变异操作，并置N等于1。
6)判断是否达到最大进化次数T。若未达到，则转到步骤3)并重复上述过程；若已达到，则根据此时全局最优位置得到最佳匹配原子
计算残差信号Rk+1x，并有
其中，k为迭代次数，并有k＝1时，Rkx＝x
7)判断是否满足残差比为
的迭代终止条件，若不满足则代入步骤6)中生成的残差信号，返回步骤2)并重复上述过程，若满足则去噪结束。去噪结果可表示为：
其中Rkx、Rk+1x分别为第k次和第k+1次残差值。
数据预处理模块将与处理后的数据传送给数字孪生模块，数字孪生模块提取出预设特征，分别得到孪生数据与虚拟实体数据，并将孪生数据与虚拟实体数据相互比对分析，利用3Dmax(一种基于PC系统的三维动画渲染和制作软件)、AutoCAD(一种自动计算机辅助设计软件)等方法插件建立可视化的几何模型，利用ANSYS(一种大型通用有限元分析软件)、COMSOL(一种多物理场建模软件)等方法建立物理模型后，通过对两种模型的比对分析得到相应局部放电数据。
上述基于数字孪生的局部放电监测系统中，包括：数据监测模块、数据预处理模块以及数字孪生模块；数据监测模块、数据预处理模块及数字孪生模块之间通信连接；数据监测模块，用于从设备实体获取相应的底层监测数据，并将获取的底层监测数据发送至数据预处理模块；数据预处理模块，用于接收数据监测模块发送的底层监测数据，将底层监测数据进行预处理后存储至数据库；数字孪生模块，用于获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。本申请通过数据监测模块实时从所连接的设备实体获取监测数据，将底层监测数据传输至数据预处理模块经过预处理后存储，数字孪生模块建立几何模型和物理模型，进一步获取局部放电数据；实现了数据的监控过程不受外界干扰，提高了基于数字孪生的局部放电监测的效率。
在一个实施例中，提供了一种基于数字孪生局部放电微观模型建模方法，具体包括：步骤S1，获取变压器局部放电发生时的放电参数，具体的，在实际变压器运行当中，发生局部放电现象不好观测，需要建立个数字模型进行实时监控，保证线路安全和可靠性。
步骤S2，对检测的数据进行预处理，具体的，在变压器实际运行当中，由于检测到的数据信息过于繁杂、会出现数据冗余，需要对数据进行去噪，找到重要的放电信息，以放电发生的位置和类型。
步骤S3，获取变压器局部放电发生时的数据，具体的，将预处理完成后的数据储存并传输给数字孪生系统，将处理后的特征量进行几何建模和物理建模，构建好的虚拟实体中的数据与孪生系统数据进行对比分析。
步骤S4，将分析后的放电信息传送给故障诊断模型，具体的，实际中变压器局部放电发生的位置并不好观测到，通过故障模型，可以准确的判断出故障发生的位置、类型等信息。
步骤S5，获取放电信号通过微信平台展示给用户，具体的，用户可以在微信公众号平台上实时监测到现场变压器局部放电的具体位置和放电的类型，例如尖端放电、气泡放电、金属颗粒放电等模型。本实施例中，考虑到了变压器局部放电不易观测到，通过建立的基于数字孪生的局部放电模型，可以直观的把局放信息传给用户。
在一个实施例中，基于数字孪生的局部放电监测系统，还包括故障诊断模块；故障诊断模块用于通过局部放电数据分析局部放电发生的原因，得到故障诊断结果。
进一步地，在一个实施例中，故障诊断模块还用于通过差分进化算法，对局部放电数据进行种群初始化处理、变异处理、交叉处理和选择处理，得到优化后的局部放电数据；利用预设测试集对优化后的局部放电数据进行验证，根据验证结果生成故障诊断结果。
具体地，故障诊断模块得到故障诊断结果的具体步骤如下：
1)对局部放电数据进行种群初始化处理，利用的种群初始化函数如下：
2)变异处理，所利用的变异处理函数如下：
其中F为缩放因子，
为种群中随机选取的三个不同个体。
3)交叉处理，利用的种群初始化函数如下：
4)选择处理，利用的种群初始化函数如下：
以此通过对局部放电数据进行种群初始化处理、变异处理、交叉处理和选择处理后，可以基于预设测试集筛选出存在异常的数据，得到相应的故障诊断结果。
上述实施例通过对局部放电数据进行种群初始化处理、变异处理、交叉处理和选择处理，提高了数据处理的准确性，实现了数据的监控过程不受外界干扰，提高了基于数字孪生的局部放电监测的效率。
在一个实施例中，基于数字孪生的局部放电监测系统，还包括数据可视化模块；数据可视化模块用于根据局部放电数据生成数据可视化结果。
具体地，数据可视化模块的可视化方式可以是通过微信等信息平台，根据用户的操作提供相应的可视化信息；例如通过微信公众号等信息平台，远程监控变压器设备，并实时获取变压器内部局部放电信息。用户使用的终端与信息平台相互通信连接。通过对信息平台的开发，用户只需利用终端通过扫描信息平台所提供的二维码即可实现对相应变压器进行监控、实时检测、历史数据查询等操作。局部放电信号查询的实现是基于分类模型推荐算法的研究，将局部放电的数据作为算法的输入训练模型来进行分类。分类模型的构建主要是通过数据特征训练模型目标函数，然后把测试集数据属性映射到预先定义的函数值中，根据目标函数来对样本数据进行分类。
进一步地，在一个实施例中，数据可视化模块还包括实时数据模块、历史数据模块、以及分析预测模块；实时数据模块用于响应于用户的第一点击操作，获取几何模型和物理模型；根据几何模型和物理模型对底层监测数据的变化趋势进行绘制并显示；第一点击操作携带有第一操作标识；历史数据模块用于响应于用户的第二点击操作，从预设数据库中获取历史底层监测数据，根据历史底层监测数据进行数据绘制并进行显示；第二点击操作携带有第二操作标识；分析预测模块用于响应于用户输入的时间信息，根据底层监测数据确定出时间信息对应时间范围内，发生局部放电的预测结果。
具体地，用户通过在信息平台中预先设置好的按钮进行操作，不同按钮对应不同的操作标识，用户点击不同的按钮触发不同的操作标识；数据可视化模块根据接收到的操作标示获取相应数据进行可视化处理，将可视化处理后的结果在信息平台向用户进行展示。
本实施例通过可视化模块降低了用户获取底层监测数据以及局部放电数据的难度，提高了用户获取相应数据的效率。
本申请提供的基于数字孪生的局部放电监测方法，可以应用于如图2所示的应用环境中。其中，终端21通过网络与基于数字孪生的局部放电监测的服务器22进行通信。服务器22响应于终端21的局部放电监测请求，服务器22从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；服务器22获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据；服务器22将局部放电数据返回至终端21。其中，终端21可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，基于数字孪生的局部放电监测的服务器22可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图3所示，提供了一种基于数字孪生的局部放电监测方法，以该方法应用于图2中的服务器22为例进行说明，包括以下步骤：
步骤31，从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库。
步骤32，获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。
上述基于数字孪生的局部放电监测方法中，通过服务器实时从所连接的设备实体获取监测数据，利用将底层监测数据建立起几何模型和物理模型，进一步获取局部放电数据；实现了数据的监控过程不受外界干扰，提高了基于数字孪生的局部放电监测的效率。
应该理解的是，虽然图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于数字孪生的局部放电监测装置，包括：数据采集模块41和数据处理模块42，其中：
数据采集模块41，用于数据采集模块，用于从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
数据处理模块42，用于获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。
关于基于数字孪生的局部放电监测装置的具体限定可以参见上文中对于基于数字孪生的局部放电监测方法的限定，在此不再赘述。上述基于数字孪生的局部放电监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于数字孪生的局部放电监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于数字孪生的局部放电监测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从设备实体获取相应的底层监测数据，并将获取的底层监测数据进行预处理后存储至数据库；
获取底层监测数据的预设特征，根据预设特征建立几何模型和物理模型，根据几何模型和物理模型识别底层监测数据的局部放电数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上各个实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于数字孪生的局部放电监测系统，其特征在于，包括：数据监测模块、数据预处理模块以及数字孪生模块；所述数据监测模块、所述数据预处理模块及所述数字孪生模块之间通信连接；
所述数据监测模块，用于从设备实体获取相应的底层监测数据，并将获取的所述底层监测数据发送至所述数据预处理模块；
所述数据预处理模块，用于接收所述数据监测模块发送的所述底层监测数据，将所述底层监测数据进行预处理后存储至数据库；
所述数字孪生模块，用于获取所述底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
2.根据权利要求1所述的基于数字孪生的局部放电监测系统，其特征在于，所述基于数字孪生的局部放电监测系统，还包括故障诊断模块；所述故障诊断模块用于通过所述局部放电数据分析局部放电发生的原因，得到故障诊断结果。
3.根据权利要求1所述的基于数字孪生的局部放电监测系统，其特征在于，所述基于数字孪生的局部放电监测系统，还包括数据可视化模块；所述数据可视化模块用于根据所述局部放电数据生成数据可视化结果。
4.根据权利要求1所述的基于数字孪生的局部放电监测系统，其特征在于，所述数据监测模块，还用于通过局部放电仪获取所述底层监测数据；所述底层监测数据至少包括最大放电量、平均放电量、放电次数。
5.根据权利要求2所述的基于数字孪生的局部放电监测系统，其特征在于，所述故障诊断模块还用于通过差分进化算法，对所述局部放电数据进行种群初始化处理、变异处理、交叉处理和选择处理，得到优化后的局部放电数据；利用预设测试集对所述优化后的局部放电数据进行验证，根据验证结果生成所述故障诊断结果。
6.根据权利要求3所述的基于数字孪生的局部放电监测系统，其特征在于，所述数据可视化模块还包括实时数据模块、历史数据模块以及分析预测模块；
所述实时数据模块用于响应于用户的第一点击操作，获取所述几何模型和所述物理模型；根据所述几何模型和所述物理模型对所述底层监测数据的变化趋势进行绘制并显示；所述第一点击操作携带有第一操作标识；
所述历史数据模块用于响应于用户的第二点击操作，从预设数据库中获取历史底层监测数据，根据所述历史底层监测数据进行数据绘制并进行显示；所述第二点击操作携带有第二操作标识；
所述分析预测模块用于响应于用户输入的时间信息，根据所述底层监测数据确定出所述时间信息对应时间范围内，发生局部放电的预测结果。
7.一种基于数字孪生的局部放电监测方法，其特征在于，所述方法包括：
从设备实体获取对应的底层监测数据，并将获取的所述底层监测数据进行预处理；
获取预处理后的底层监测数据的预设特征，根据所述预设特征建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
8.一种基于数字孪生的局部放电监测装置，其特征在于，所述装置包括：
数据采集模块，用于从设备实体获取相应的底层监测数据，并将获取的所述底层监测数据进行预处理后存储至数据库；
数据处理模块，用于获取所述底层监测数据的预设特征，根据所述预设特征量建立几何模型和物理模型，根据所述几何模型和所述物理模型识别所述底层监测数据的局部放电数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求7中所述的基于数字孪生的局部放电监测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求7中所述的基于数字孪生的局部放电监测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110987152.5A CN113792453B (zh) | 2021-08-26 | 2021-08-26 | 基于数字孪生的局部放电监测系统、方法和装置 |
| PCT/CN2021/128130 WO2023024259A1 (zh) | 2021-08-26 | 2021-11-02 | 基于数字孪生的局部放电监测系统、方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110987152.5A CN113792453B (zh) | 2021-08-26 | 2021-08-26 | 基于数字孪生的局部放电监测系统、方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113792453A true CN113792453A (zh) | 2021-12-14 |
| CN113792453B CN113792453B (zh) | 2024-09-06 |
Family
ID=78876417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110987152.5A Active CN113792453B (zh) | 2021-08-26 | 2021-08-26 | 基于数字孪生的局部放电监测系统、方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113792453B (zh) |
| WO (1) | WO2023024259A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616934A (zh) * | 2022-10-18 | 2023-01-17 | 中石化四机石油机械有限公司 | 一种压裂工程孪生数据平台 |
| CN116070840A (zh) * | 2022-12-26 | 2023-05-05 | 北京国网富达科技发展有限责任公司 | 一种基于电网数字孪生模型的变压器协同管理方法和系统 |
| CN116722571A (zh) * | 2023-08-04 | 2023-09-08 | 深圳康普盾科技股份有限公司 | 一种基于数字孪生的储能管理方法、系统及介质 |
| CN118013239A (zh) * | 2024-04-10 | 2024-05-10 | 安徽大学 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116357899A (zh) * | 2023-03-06 | 2023-06-30 | 上海市政工程设计研究总院（集团）有限公司 | 一种超大口径柔性管道数字孪生安全评价系统和方法 |
| CN115983901B (zh) * | 2023-03-17 | 2023-06-06 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的设备配件需求量预测方法、系统及介质 |
| CN116545110B (zh) * | 2023-05-06 | 2024-06-18 | 国网河南省电力公司信息通信分公司 | 一种基于数字孪生的智能运维管理系统 |
| CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
| CN116227752B (zh) * | 2023-05-09 | 2023-10-20 | 安徽必喀秋软件技术有限公司 | 一种基于物联网的园区设施管理系统 |
| CN116540576B (zh) * | 2023-06-12 | 2024-02-27 | 广州智算信息技术有限公司 | 一种基于数字孪生和智慧楼宇的建筑节能管理系统 |
| CN116977122B (zh) * | 2023-07-06 | 2024-04-19 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
| CN116885858B (zh) * | 2023-09-08 | 2023-12-08 | 中国标准化研究院 | 一种基于数字孪生技术的配电网故障处理方法及系统 |
| CN117273323A (zh) * | 2023-09-15 | 2023-12-22 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数字孪生的电力设备管理方法及系统 |
| CN117350114B (zh) * | 2023-10-11 | 2024-03-29 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
| CN117271678B (zh) * | 2023-11-22 | 2024-02-13 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁企业安全数据回溯展示方法和装置 |
| CN117539721A (zh) * | 2023-11-29 | 2024-02-09 | 郑州迪维勒普科技有限公司 | 基于数字孪生技术的数据中心可视化运维管理系统 |
| CN117748733A (zh) * | 2023-12-13 | 2024-03-22 | 北京京能清洁能源电力股份有限公司内蒙古分公司 | 一种基于数字孪生模型的电网信息控制方法 |
| CN117708626B (zh) * | 2024-02-06 | 2024-04-19 | 四川嘉源生态发展有限责任公司 | 基于孪生工厂的水利水电建筑工程监测管理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190302711A1 (en) * | 2018-03-30 | 2019-10-03 | General Electric Company | System and method for power generation control |
| CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
| CN111832914A (zh) * | 2020-06-29 | 2020-10-27 | 国网河南省电力公司电力科学研究院 | 一种基于数字孪生的输电线路结构健康评估方法及系统 |
| US20200380434A1 (en) * | 2018-02-23 | 2020-12-03 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN112506691A (zh) * | 2020-12-14 | 2021-03-16 | 贵州电网有限责任公司 | 一种多能源系统数字孪生应用故障恢复方法及系统 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
| CN113095019A (zh) * | 2021-04-02 | 2021-07-09 | 上海交通大学 | 一种局部放电信号仿真方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
-
2021
- 2021-08-26 CN CN202110987152.5A patent/CN113792453B/zh active Active
- 2021-11-02 WO PCT/CN2021/128130 patent/WO2023024259A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
| US20200380434A1 (en) * | 2018-02-23 | 2020-12-03 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
| US20190302711A1 (en) * | 2018-03-30 | 2019-10-03 | General Electric Company | System and method for power generation control |
| CN111832914A (zh) * | 2020-06-29 | 2020-10-27 | 国网河南省电力公司电力科学研究院 | 一种基于数字孪生的输电线路结构健康评估方法及系统 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| CN112506691A (zh) * | 2020-12-14 | 2021-03-16 | 贵州电网有限责任公司 | 一种多能源系统数字孪生应用故障恢复方法及系统 |
| CN113095019A (zh) * | 2021-04-02 | 2021-07-09 | 上海交通大学 | 一种局部放电信号仿真方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616934A (zh) * | 2022-10-18 | 2023-01-17 | 中石化四机石油机械有限公司 | 一种压裂工程孪生数据平台 |
| CN116070840A (zh) * | 2022-12-26 | 2023-05-05 | 北京国网富达科技发展有限责任公司 | 一种基于电网数字孪生模型的变压器协同管理方法和系统 |
| CN116070840B (zh) * | 2022-12-26 | 2023-10-27 | 北京国网富达科技发展有限责任公司 | 一种基于电网数字孪生模型的变压器协同管理方法和系统 |
| CN116722571A (zh) * | 2023-08-04 | 2023-09-08 | 深圳康普盾科技股份有限公司 | 一种基于数字孪生的储能管理方法、系统及介质 |
| CN116722571B (zh) * | 2023-08-04 | 2024-02-02 | 深圳康普盾科技股份有限公司 | 一种基于数字孪生的储能管理方法、系统及介质 |
| CN118013239A (zh) * | 2024-04-10 | 2024-05-10 | 安徽大学 | 基于数字孪生的单相pwm整流器在线参数辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023024259A1 (zh) | 2023-03-02 |
| CN113792453B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792453B (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
| Xu et al. | Real‐time regional seismic damage assessment framework based on long short‐term memory neural network | |
| CN113435602A (zh) | 确定机器学习样本的特征重要性的方法及系统 | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
| CN112989563A (zh) | 一种大坝安全监测数据分析方法 | |
| CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
| CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
| CN116881718A (zh) | 一种基于大数据清洗的人工智能训练方法及系统 | |
| CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
| CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
| CN113465734B (zh) | 一种结构振动的实时估计方法 | |
| US20170299424A1 (en) | Measuring and diagnosing noise in an urban environment | |
| CN117591813A (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| CN111766557A (zh) | 一种基于K-Means算法分析影响电能表检测精度的方法 | |
| CN116011343A (zh) | 可靠性数字孪生系统构建方法、装置和计算机设备 | |
| CN116361628A (zh) | 基于vfd房的故障类别智能分析方法及装置 | |
| CN113407808A (zh) | 图神经网络模型适用性判定方法、装置和计算机设备 | |
| CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
| CN113434713B (zh) | 一种基于一张图的林业大数据建设方法及系统 | |
| CN116029578B (zh) | 服务对象业务水平检测方法、装置、电子设备及存储介质 | |
| CN113537363B (zh) | 一种异常对象检测方法及装置、电子设备及存储介质 |
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 |