CN114169623A - 一种电力设备故障分析方法、装置、电子设备及存储介质 - Google Patents
一种电力设备故障分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114169623A CN114169623A CN202111517931.5A CN202111517931A CN114169623A CN 114169623 A CN114169623 A CN 114169623A CN 202111517931 A CN202111517931 A CN 202111517931A CN 114169623 A CN114169623 A CN 114169623A
- Authority
- CN
- China
- Prior art keywords
- data
- power equipment
- prediction
- fault
- temperature
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 24
- 239000000779 smoke Substances 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备故障分析方法、装置、电子设备及存储介质,用于解决现有的电力设备故障分析方法灵活性差、响应速度慢的技术问题。本发明包括:采集所述电力设备的运行数据;对所述运行数据进行滤波,得到预处理数据;从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;将所述特征数据输入预设神经网络模型进行故障预测。
Description
技术领域
本发明涉及故障分析技术领域,尤其涉及一种电力设备故障分析方法、装置、电子设备及存储介质。
背景技术
完整的电力系统通常由发电、变电、输电、配电和用电五部分构成,在日常的故障维保过程中,工作人员往往是通过人工巡检的方式去寻找故障设备位置和通过经验去判断电力设备的故障类型,工作人员的劳动强度大、效率低下,导致维保周期长。
随着物联网和人工神经网络技术的发展,神经网络提取信号特征的优势日益凸显,人工智能技术开始应用于各信号处理和决策领域。
在实际应用的,现有的电力设备故障分析处理方法,通常是通过获取目标电力设备的故障关键词,发送携带故障关键词的查询请求到服务器,以使服务器查询预存的设备标识与设备信息、故障信息的对应关系,获取目标设备标识对应的目标设备信息、目标故障信息,并根据目标电力设备的故障关键词,对目标故障信息进行排序,然后接收服务器发送的目标设备标识对应的目标设备信息和排序后的目标故障信息;根据目标设备信息和排序后的目标故障信息,生成并显示故障参考信息。
然而,上述方法依赖预先设定好的数据库,灵活性差、响应速度慢,众多设备之间缺少关联,无法及时定位故障设备及预判故障原因。
发明内容
本发明提供了一种电力设备故障分析方法、装置、电子设备及存储介质,用于解决现有的电力设备故障分析方法灵活性差、响应速度慢的技术问题。
本发明提供了一种电力设备故障分析方法,包括:
采集所述电力设备的运行数据;
对所述运行数据进行滤波,得到预处理数据;
从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
将所述特征数据输入预设神经网络模型进行故障预测。
可选地,所述特征数据包括电流数据、温度数据和图像数据;所述从预处理数据中提取特征数据,并根据所述特征数据进行故障分析的步骤,包括:
从所述预处理数据中提取电流数据、温度数据和图像数据;
当所述电流数据的电流参数值为0时,判定所述电力设备断路;
当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
若不存在,判定所述电力设备短路;
若存在,判定所述电力设备短路起火。
可选地,所述将所述特征数据输入预设神经网络模型进行故障预测的步骤,包括:
将所述图像数据输入预设CNN网络模型进行烟雾检测和火焰检测,并根据检测结果进行故障预测。
可选地,所述将所述特征数据输入预设神经网络模型进行故障预测的步骤,包括:
将所述温度数据和所述电流数据输入预设RNN网络模型进行温度预测和断路预测。
本发明还提供了一种电力设备故障分析装置,包括:
运行数据采集模块,用于采集所述电力设备的运行数据;
滤波模块,用于对所述运行数据进行滤波,得到预处理数据;
故障分析模块,用于从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
故障预测模块,用于将所述特征数据输入预设神经网络模型进行故障预测。
可选地,所述特征数据包括电流数据、温度数据和图像数据;所述故障分析模块,包括:
提取子模块,用于从所述预处理数据中提取电流数据、温度数据和图像数据;
断路判定子模块,用于当所述电流数据的电流参数值为0时,判定所述电力设备断路;
温度阈值判断子模块,用于当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
图像识别子模块,用于若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
短路判定子模块,用于若不存在,判定所述电力设备短路;
短路起火判定子模块,用于若存在,判定所述电力设备短路起火。
可选地,所述故障预测模块,包括:
烟雾检测和火焰检测子模块,用于将所述图像数据输入预设CNN网络模型进行烟雾检测和火焰检测,并根据检测结果进行故障预测。
可选地,所述故障预测模块,包括:
预测子模块,用于将所述温度数据和所述电流数据输入预设RNN网络模型进行温度预测和断路预测。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的电力设备故障分析方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的电力设备故障分析方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过采集电力设备的运行数据;对运行数据进行滤波,得到预处理数据;从预处理数据中提取特征数据,并根据特征数据进行故障分析;将特征数据输入预设神经网络模型进行故障预测。提高了故障分析的灵活性和及时性。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电力设备故障分析方法的步骤流程图;
图2为本发明实施例提供的一种电力设备故障分析的流程图;
图3为本发明实施例提供的一种电力设备故障分析装置的结构框图。
具体实施方式
本发明实施例提供了一种电力设备故障分析方法、装置、电子设备及存储介质,用于解决现有的电力设备故障分析方法灵活性差、响应速度慢的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种电力设备故障分析方法的步骤流程图。
本发明提供的一种电力设备故障分析方法,具体可以包括以下步骤:
步骤101,采集所述电力设备的运行数据;
在本发明实施例中,可以通过数据采集模块采集设备的电流、温度和图像数据等运行数据。
步骤102,对所述运行数据进行滤波,得到预处理数据;
在获取到运行数据后,可以对其进行滤波处理,如均值滤波或卡尔曼滤波,还可以对图像数据进行H.264或者H.265编码,以减少传输数据占用的带宽。
在完成数据预处理后,可以将预处理数据发送至云端服务器进行数据分析。
步骤103,从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
在完成数据预处理后,可以从中提取特征数据,以进行故障分析。
在一个示例中,步骤103可以包括以下子步骤:
S31,从所述预处理数据中提取电流数据、温度数据和图像数据;
S32,当所述电流数据的电流参数值为0时,判定所述电力设备断路;
S33,当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
S34,若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
S35,若不存在,判定所述电力设备短路;
S36,若存在,判定所述电力设备短路起火。
在具体实现中,云端服务器在获取到预处理数据后,可以从中提取特征数据,以根据特征数据分析电力设备是否发生故障。
如图2所示,在获取到预处理数据后,首先可以从中获取电流数据,判断电流的参数值是否为0,若为0,表征电力设备发生了断路故障。若不为0,则判断电流的参数是否达到预设电流阈值。该预设电流阈值用于表征电力设备是否发生短路故障,具体地,电力设备受阻抗影响,正常的电流一般会处在一个区间之内,当电流大大超过该区间时,可以理解过阻抗变得很小,这种情况一般是短路导致的,因此此时可以判断电力设备可能发生了短路故障,此时可以根据电力设备的温度和图像数据来判断是否产生短路故障。首先可以获取设备的温度数据,判断温度是否达到预设温度阈值,该预设温度阈值用于表征电力设备是否过热。若温度达到了预设温度阈值,表征电力设备过热,可能导致相应的故障,如短路,或短路且造成了起火等。在确定了温度超过了预设温度阈值后,可以获取电力设备的图像数据,以判断是否是否起火或冒烟。当在图像数据中检测到火焰或者烟雾时,可以判断电力设备短路起火,当在图像数据中未检测到火焰和烟雾时,则可以判断电力设备短路。
步骤104,将所述特征数据输入预设神经网络模型进行故障预测。
在本发明实施例中,还可以将特征数据输入预设的神经网络模型中进行故障预测。
具体地,根据特征数据的类别不同,可以选择不同的神经网络,如电流数据和温度数据均为连续型变量数据,因此可以采用RNN网络进行预测,图像数据为结构化变量数据,因此可以采用CNN网络进行预测。
在具体应用中,可以将图像数据输入CNN网络模型进行烟雾检测和火焰检测。将温度数据和电流数据输入RNN网络模型进行温度预测和断路预测。
CNN(Convolutional Networks,卷积神经网络)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为平移不变人工神经网络。
RNN(Recurrent Neural Network,循环神经网络)是一类以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
在进行检测之前,首先要训练相应的模型。
以基于图像的火焰检测和烟雾检测为例,可以通过采集到的火焰和烟雾的图像来训练CNN模型,首先对采集到的火焰和烟雾图像进行标注,然后进行旋转、镜像、调整亮度和对比度的操作,成倍扩充数据集规模,然后基于yolov3算法进行模型的训练,yolov3算法的原理是将一幅输入图像切分成S*S个网格(grid cell),如果某个对象(object)的中心落在这个网格中,则这个网格就负责预测这个对象。每个网格要预测B个bounding box(边框),每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence(置信度)值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准这两重信息。其计算原理是:如果有object落在一个grid cell里,第一项取1,否则取0。第二项是预测的bounding box和实际的groundtruth(真实值,本发明实施例指人工标准的边框)之间的IoU(Intersection over Union,交并比)值。每个bounding box要预测(中心点坐标x、y;宽度w;高度h)和confidence共5个值。每个网格还要预测一个类别信息,记为C类。则S*S个网格,每个网格要预测B个bounding box还要预测C个categories(类别)。输出就是S*S*(5*B+C)的一个tensor(张量)。然后经过多个全连接层对应要检测的目标的类别数。训练好的算法模型既可部署于云服务器中,也可部署于jetson nano或tx2这类边缘设备中实现对图像的实时检测。
以温度预测为例,可以随机将连续的温度曲线数据均匀切分成片段,并对每一个温度片段进行归类,然后将其作为训练数据喂给RNN网络进行训练,训练出来的RNN模型能够根据前面的温度数据去预测下一时刻的温度趋势,从而实现温度预警。
本发明通过采集电力设备的运行数据;对运行数据进行滤波,得到预处理数据;从预处理数据中提取特征数据,并根据特征数据进行故障分析;将特征数据输入预设神经网络模型进行故障预测。提高了故障分析的灵活性和及时性。
请参阅图3,图3为本发明实施例提供的一种电力设备故障分析装置的结构框图。
本发明实施例提供了一种电力设备故障分析装置,包括:
运行数据采集模块301,用于采集所述电力设备的运行数据;
滤波模块302,用于对所述运行数据进行滤波,得到预处理数据;
故障分析模块303,用于从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
故障预测模块304,用于将所述特征数据输入预设神经网络模型进行故障预测。
在本发明实施例中,所述特征数据包括电流数据、温度数据和图像数据;所述故障分析模块303,包括:
提取子模块,用于从所述预处理数据中提取电流数据、温度数据和图像数据;
断路判定子模块,用于当所述电流数据的电流参数值为0时,判定所述电力设备断路;
温度阈值判断子模块,用于当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
图像识别子模块,用于若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
短路判定子模块,用于若不存在,判定所述电力设备短路;
短路起火判定子模块,用于若存在,判定所述电力设备短路起火。
在本发明实施例中,所述故障预测模块304,包括:
烟雾检测和火焰检测子模块,用于将所述图像数据输入预设CNN网络模型进行烟雾检测和火焰检测,并根据检测结果进行故障预测。
在本发明实施例中,所述故障预测模块304,包括:
预测子模块,用于将所述温度数据和所述电流数据输入预设RNN网络模型进行温度预测和断路预测。
本发明实施例还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行本发明实施例所述的电力设备故障分析方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行本发明实施例所述的电力设备故障分析方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力设备故障分析方法,其特征在于,包括:
采集所述电力设备的运行数据;
对所述运行数据进行滤波,得到预处理数据;
从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
将所述特征数据输入预设神经网络模型进行故障预测。
2.根据权利要求1所述的方法,其特征在于,所述特征数据包括电流数据、温度数据和图像数据;所述从预处理数据中提取特征数据,并根据所述特征数据进行故障分析的步骤,包括:
从所述预处理数据中提取电流数据、温度数据和图像数据;
当所述电流数据的电流参数值为0时,判定所述电力设备断路;
当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
若不存在,判定所述电力设备短路;
若存在,判定所述电力设备短路起火。
3.根据权利要求2所述的方法,其特征在于,所述将所述特征数据输入预设神经网络模型进行故障预测的步骤,包括:
将所述图像数据输入预设CNN网络模型进行烟雾检测和火焰检测,并根据检测结果进行故障预测。
4.根据权利要求2所述的方法,其特征在于,所述将所述特征数据输入预设神经网络模型进行故障预测的步骤,包括:
将所述温度数据和所述电流数据输入预设RNN网络模型进行温度预测和断路预测。
5.一种电力设备故障分析装置,其特征在于,包括:
运行数据采集模块,用于采集所述电力设备的运行数据;
滤波模块,用于对所述运行数据进行滤波,得到预处理数据;
故障分析模块,用于从所述预处理数据中提取特征数据,并根据所述特征数据进行故障分析;
故障预测模块,用于将所述特征数据输入预设神经网络模型进行故障预测。
6.根据权利要求5所述的装置,其特征在于,所述特征数据包括电流数据、温度数据和图像数据;所述故障分析模块,包括:
提取子模块,用于从所述预处理数据中提取电流数据、温度数据和图像数据;
断路判定子模块,用于当所述电流数据的电流参数值为0时,判定所述电力设备断路;
温度阈值判断子模块,用于当所述电流参数值达到预设阈值时,判断所述温度数据是否达到温度阈值;
图像识别子模块,用于若是,对所述图像数据进行识别,确定所述图像数据中是否存在火焰或烟雾信息;
短路判定子模块,用于若不存在,判定所述电力设备短路;
短路起火判定子模块,用于若存在,判定所述电力设备短路起火。
7.根据权利要求6所述的装置,其特征在于,所述故障预测模块,包括:
烟雾检测和火焰检测子模块,用于将所述图像数据输入预设CNN网络模型进行烟雾检测和火焰检测,并根据检测结果进行故障预测。
8.根据权利要求6所述的装置,其特征在于,所述故障预测模块,包括:
预测子模块,用于将所述温度数据和所述电流数据输入预设RNN网络模型进行温度预测和断路预测。
9.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的电力设备故障分析方法。
10.一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用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的电力设备故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517931.5A CN114169623A (zh) | 2021-12-13 | 2021-12-13 | 一种电力设备故障分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517931.5A CN114169623A (zh) | 2021-12-13 | 2021-12-13 | 一种电力设备故障分析方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169623A true CN114169623A (zh) | 2022-03-11 |
Family
ID=80486264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111517931.5A Pending CN114169623A (zh) | 2021-12-13 | 2021-12-13 | 一种电力设备故障分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169623A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169793A (zh) * | 2023-04-25 | 2023-05-26 | 国网山东省电力公司胶州市供电公司 | 一种电力设备用的监督预测系统 |
-
2021
- 2021-12-13 CN CN202111517931.5A patent/CN114169623A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169793A (zh) * | 2023-04-25 | 2023-05-26 | 国网山东省电力公司胶州市供电公司 | 一种电力设备用的监督预测系统 |
CN116169793B (zh) * | 2023-04-25 | 2023-08-11 | 国网山东省电力公司胶州市供电公司 | 一种电力设备用的监督预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN114880884B (zh) | 一种基于数字化能源系统的专业化建模分析方法及系统 | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN108229170B (zh) | 利用大数据和神经网络的软件分析方法和装置 | |
CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗系统 | |
Linda et al. | Computational intelligence based anomaly detection for building energy management systems | |
CN117411703A (zh) | 一种面向Modbus协议的工业控制网络异常流量检测方法 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN109743286A (zh) | 一种基于图卷积神经网络的ip类型标记方法及设备 | |
CN110009045A (zh) | 物联网终端的识别方法和装置 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN113098884A (zh) | 基于大数据的网络安全监控方法、云平台系统及介质 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
CN118211779A (zh) | 一种智慧安防综合管理平台 | |
CN117040141B (zh) | 电力智能网关的安全监测系统及方法 | |
CN117372723A (zh) | 一种智能化变电站违章作业预警系统 | |
CN115225373B (zh) | 一种信息不完备条件下的网络空间安全态势表达方法及装置 | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
CN114067360A (zh) | 一种行人属性检测方法及装置 | |
CN113434868A (zh) | 基于威胁感知大数据的信息生成方法及人工智能感知系统 | |
CN111680572A (zh) | 一种电网运行场景动态判定方法及系统 |
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 |