CN114298175A - 基于边缘计算的电力设备状态监测与故障预警方法及系统 - Google Patents
基于边缘计算的电力设备状态监测与故障预警方法及系统 Download PDFInfo
- Publication number
- CN114298175A CN114298175A CN202111527177.3A CN202111527177A CN114298175A CN 114298175 A CN114298175 A CN 114298175A CN 202111527177 A CN202111527177 A CN 202111527177A CN 114298175 A CN114298175 A CN 114298175A
- Authority
- CN
- China
- Prior art keywords
- early warning
- node
- data
- neural network
- power equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 28
- 238000012806 monitoring device Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract 2
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电力设备监测技术领域,尤其涉及一种基于边缘计算的电力设备状态监测与故障预警方法及系统,本发明方法将在获取到大量的运行数据后,对运行数据根据以对应节点进行分类,分类中的多个运行数据进行聚类,获得聚类中心。将多个节点的聚类中心输入到数据分析预警模型中,获得预警信息。在对数据进行聚类后,数据量大幅减少,同时保留尽可能多的运行数据的特征,减少了数据的传输量、计算量。聚类以节点为单位,根据预警结果定位到具体的节点,减少了电力设备监测数据的传输量、尽可能做到减少特征的丢失,减少了数据分析预警模型的运算量,加快了运算速度,并将预警信息定位到了设备节点,为电力设备的运行维护提供了必要的数据支撑。
Description
技术领域
本发明涉及电力设备监测技术领域,尤其涉及一种基于边缘计算的电力设备状态监测与故障预警方法及系统。
背景技术
电力设备主要是各种电压等级的开关设备、变压器、互感器、避雷器、电抗器、输电线路等等。电力设备出现故障时,对电力设备的维修会给生产、生活带来极大的困扰。
以GIS设备为例,GIS设备是运行可靠性高、维护工作量少、检修周期长的高压电气设备,其故障率只有常规设备的20%~40%,但由于SF6气体的泄漏、外部水分的渗入、导电杂质的存在、绝缘子老化等因素影响,都可能导致GIS内部闪络故障。因为GIS使用的是全密封结构,所以对GIS设备故障的定位及检修比较困难,检修工作繁杂,事故后平均停电检修时间比常规设备长,其停电范围大,涉及非故障元件多。
再如,变压器是电力系统的枢纽设备,在电力系统中承担着电压变换、电能分配和转移的重任,变压器的正常运行是电力系统安全、可靠、优质、经济运行的重要保证;但另一方面,变压器又存在一定的复杂性和多样性,疏于管理的变压器,一旦发生故障,通常就会导致大范围、较长时间的停电事故。
由此可见,对电力设备进行有效、准确的监测和诊断,是提高供电可靠性以及电网运行智能化水平的有效途径。电力系统迫切需要更为准确、快速的输变电设备状态在线监测与诊断技术,能够预测出潜在的风险,减少停电的可能,进一步改善供电的质量。
然而,现有技术中,缺乏一种基于一段时期内多种状态数据进行处理的电力设备监测方法,一种原因在于,数据量较多,从多种数据中提取有价值的信息,较为繁琐,另一种原因在于,将较多的数据进行传输,网络负担以及计算负担较大。
基于此,需要开发设计出一种基于边缘计算的电力设备状态监测与故障预警方法。
发明内容
本发明实施方式提供了一种基于边缘计算的电力设备状态监测与故障预警方法及系统,用于解决现有技术中缺乏从大数据中挖掘有效信息对电力设备运行状态进行预警的问题。
第一方面,本发明实施方式提供了一种基于边缘计算的电力设备状态监测与故障预警方法,包括:
获取电力设备的多个运行数据以及预警模型,其中,所述运行数据包括预设时间段内电力设备的多个状态数据;
以节点为单位,对所述多个运行数据进行聚类,获得多个节点的运行数据中心,所述节点的运行数据中心包括:所述节点的节点标识以及所述节点的多个运行数据的聚类中心;
将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,所述预警信息包括节点标识;
根据所述预警信息的节点标识,向所述节点发送所述预警信息。
在一种可能实现的方式中,所述对所述多个运行数据进行聚类,获得多个节点的运行数据中心,包括:
对每个节点,执行如下步骤:
获取对应所述节点的所述节点标识、多个运行数据以及预设数量的聚类中心;
计算所述多个运行数据与各个聚类中心的距离;
将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心。
在一种可能实现的方式中,所述获取对应所述节点的预设数量的聚类中心,包括:
获取所述预设数量以及多个样本;
将所述多个样本分类为所述预设数量的类;
对于每个所述类,执行如下步骤:
计算所述类中各个样本的中心点,作为所述聚类中心。
在一种可能实现的方式中,所述将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心,之后包括:
获取与所述多个运行数据距离最小的聚类中心所对应的类;
将所述多个运行数据作为样本加入所述类;
计算所述类中各个样本的中心点,作为所述类的聚类中心。
在一种可能实现的方式中,所述获取预警模型,包括:
获取多个预测样本、多个标签以及神经网络模型,其中,所述标签与所述预测样本相对应,用于标识预测样本的预期;
根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到第一预设值;
固定所述神经网络模型的参数,作为预警模型。
在一种可能实现的方式中,所述根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到预设值,包括:
将所述多个预测样本以及所述多个标签划分为训练集以及验证集;
训练步骤:根据所述训练集训练所述神经网络模型,直至所述神经网络模型预测准确率达到第二预设值;
验证步骤:固定所述神经网络模型的参数,根据所述验证集验证所述神经网络模型的预测准确率,若低于第一预设值,则通过降低中间层数量的方式改变所述神经网络模型的结构,重新返回至所述训练步骤。
第二方面,本发明实施方式提供了一种基于边缘计算的电力设备状态监测与故障预警系统,包括:传感器终端、节点监控装置以及服务器,所述服务器上运行有预警模型;
所述传感器终端用于获取电力设备的状态数据;
所述节点监控装置用于根据与之连接的所述传感器终端传输的所述电力设备的状态数据形成运行数据,并对所述运行数据进行聚类,获得节点状态数据;
所述服务器用于将将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,以及,根据所述预警信息的节点标识,向所述节点监控装置发送所述预警信息,所述预警信息包括节点标识。
在一种可能实现的方式中,所述传感器终端包括以下至少一种:超声局放传感器、特高频局放传感器、接地电流高频传感器、SF6气体监测装置、声响声纹传感器、机械振动传感器、油色谱监测装置、开关操动机构机械特性监测装置、相对介损及电容量在线监测装置、阻性电流在线监测装置以及用于采集电力设备运行相关环境量的传感器。
第三方面,本发明实施方式提供了一种节点监控装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施方式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存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是:
本发明实施方式公开了的一种基于边缘计算的电力设备状态监测与故障预警方法,该方法将在获取到大量的运行数据后,对运行数据根据以对应节点进行分类,然后,分类中的多个运行数据进行聚类,获得聚类中心。接着,将多个节点的聚类中心输入到预警模型中,获得预警信息。在对数据进行聚类后,数据量大幅减少,同时还能够保留尽可能多的运行数据的特征。因此,减少了数据的传输量、计算量。且聚类以节点为单位,可以根据预警结果定位到具体的节点。本发明实施方式,减少了数据传输量、尽可能做到减少特征的丢失,减少了模型的运算量,加快了运算速度,并将预警信息定位到了节点,为电力设备的运行维护提供了必要的数据支撑。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式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方式,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他的附图。
图1是本发明实施方式提供的基于边缘计算的电力设备状态监测与故障预警方法的流程图;
图2是本发明实施方式提供的对多个运行数据进行聚类流程图;
图3是本发明实施方式提供的聚类中心重计算示意图;
图4是本发明实施方式提供的神经网络结构原理图;
图5是本发明实施方式提供的基于边缘计算的电力设备状态监测与故障预警系统功能框图;
图6是本发明实施方式提供的节点监控装置功能框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明,本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的基于边缘计算的电力设备状态监测与故障预警方法的流程图。
如图1所示,其示出了本发明实施方式提供的基于边缘计算的电力设备状态监测与故障预警方法的实现流程图,详述如下:
在步骤101中,获取电力设备的多个运行数据以及预警模型,其中,所述运行数据包括预设时间段内电力设备的多个状态数据。
示例性地,电力设备运行数据是表征设备运行状态趋势的数据,其包括多个传感器在一定的时间段内获取的多个数据。就一种应用场景而言,传感器采集的数据,并非实时进行上传,而是一定的时间间隔后,将传感器的数据进行汇总后上传,比如,每12小时或者24小时上传一次。这样做的好处是,降低了数据传输的数据量,防止网络拥堵,降低数据计算量,同时能够满足表征电力设备运行状态的趋势。
在步骤102中,以节点为单位,对所述多个运行数据进行聚类,获得多个节点的运行数据中心,所述节点的运行数据中心包括:所述节点的节点标识以及所述节点的多个运行数据的聚类中心。
在一些实施方式中,所述对所述多个运行数据进行聚类,获得多个节点的运行数据中心,包括:
对每个节点,执行如下步骤:
获取对应所述节点的所述节点标识、多个运行数据以及预设数量的聚类中心;
计算所述多个运行数据与各个聚类中心的距离;
将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心。
在一些实施方式中,所述获取对应所述节点的预设数量的聚类中心,包括:
获取所述预设数量以及多个样本;
将所述多个样本分类为所述预设数量的类;
对于每个所述类,执行如下步骤:
计算所述类中各个样本的中心点,作为所述聚类中心。
在一些实施方式中,所述将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心,之后包括:
获取与所述多个运行数据距离最小的聚类中心所对应的类;
将所述多个运行数据作为样本加入所述类;
计算所述类中各个样本的中心点,作为所述类的聚类中心。
示例性地,如前所述,传感器的数据进行汇总后上传处理,但是,汇总方式有多种,如计算取得最大值、最小值、变化趋势、平均值,以计算出的数值作为表征运行状态的数据,上传到数据处理端。
我们可以看出,尽管采用了计算的方式,对数据进行处理,获得了表征运行状态的数据,但是,一些应用场景中,计算量过大,且这些数据用于表征运行状态还是存在不足,比如,对于开关类设备,上述数据就很难进行表达。
本发明提供了一种可以实施的方法,采用尽可能少数据,表达更多的细节,以期待能够还原电力设备的运行状态。
图2示出了对多个运行数据进行聚类流程图,首先,对多个运行数据以节点为单位进行归类。在一种应用场景中,一个节点为一个与多个传感器连接的节点监控装置。然后,对该节点的多个运行数据进行聚类,以运行数据的聚类中心作为运行数据的中心。
具体地,首先获取预设数量的聚类中心,预设数量通常根据不同种类的异常确定,如根据发生异常的部位确定聚类中心的数量。
然后,计算节点的各个运行数据与聚类中心的距离,以与各个运行数据的距离最近的聚类中心,作为节点各个运行数据的中心。
距离计算方式上有多种,如最常用的为欧式距离就是一种简便易用的计算方法。
对于聚类中心的获取上,通常是根据已知的历史运行数据以及对应该历史运行数据的异常作为样本获取。
具体地,获取到多个历史运行数据以及对应多个历史运行数据的异常。
然后,根据异常对历史运行数据进行分类。
最后,对每个类,计算该类的中心,作为对应该类的聚类中心。
计算类的中心的计算方式有多种,其中一种根据下式确定:
式中,μ即为类的中心,x为C类中的一个样本。
图3中示出了聚类中心重计算示意图,本领域技术人员应当知晓,该示意图仅为便于理解而提供的示例,而非限定。
该图3中共计三个类,各类中的每个元素具有两个属性:X坐标以及Y坐标。第一个类为矩形框表示的类,类的中心为虚线圆圈所示的位置。图中所示的虚线矩形,经过计算,虚线矩形因与第一个类的聚类中心最近,第一个类作为与虚线矩形最接的类,因此获取虚线圆圈的位置作为虚线矩形的聚类中心。在获取聚类中心以后,再将该虚线矩形加入第一个类,重新计算第一个类的中心,如图中的第一类中实心圆圈所示的位置。该重新计算的聚类中心,可以在下次进行聚类时使用。
在步骤103中,将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,所述预警信息包括节点标识。
在一些实施方式中,所述获取预警模型,包括:
获取多个预测样本、多个标签以及神经网络模型,其中,所述标签与所述预测样本相对应,用于标识预测样本的预期;
根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到第一预设值;
固定所述神经网络模型的参数,作为预警模型。
在一些实施方式中,所述根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到预设值,包括:
将所述多个预测样本以及所述多个标签划分为训练集以及验证集;
训练步骤:根据所述训练集训练所述神经网络模型,直至所述神经网络模型预测准确率达到第二预设值;
验证步骤:固定所述神经网络模型的参数,根据所述验证集验证所述神经网络模型的预测准确率,若低于第一预设值,则通过降低中间层数量的方式改变所述神经网络模型的结构,重新返回至所述训练步骤。
示例性地,在获得多个节点的运行数据中心后,就可以通过将运行数据中心输入预警模型,获取预警信息。
预警模型的一种实施方式为经过样本训练的神经网络模型。
图4中示出了神经网络模型的原理图。
图中左侧部分的圆圈为输入层,右侧圆圈为输出层,中间的方框为中间层,也称之为隐含层,根据不同的需要,隐含层的数量可调整。
具体来说,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关,是一门新兴的边缘交叉学科。
神经网络的基础在于神经元。
神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究,以探讨人工智能的机制时,把神经元数学化,从而产生了神经元数学模型。
大量的形式相同的神经元连结在—起就组成了神经网络。神经网络是一个高度非线性动力学系统。虽然,每个神经元的结构和功能都不复杂,但是神经网络的动态行为则是十分复杂的;因此,用神经网络可以表达实际物理世界的各种现象。
神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(ArtificialNuearlNework)是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。神经网络模型由网络拓扑、节点特点和学习规则来表示。
神经网络对人们的巨大吸引力主要在下列几点:
1.并行分布处理。
2.高度鲁棒性和容错能力。
3.分布存储及学习能力。
4.能充分逼近复杂的非线性关系。
在控制领域的研究课题中,不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一,但是这个问题一直没有得到有效的解决。利用神经网络的学习能力,使它在对不确定性系统的控制过程中自动学习系统的特性,从而自动适应系统随时间的特性变异,以求达到对系统的最优控制;显然这是一种十分振奋人心的意向和方法。
图4中的神经网络模型是一种有监督学习的神经网络模型。所谓有监督学习,是指已知输入数据,以及对应输入数据的输出结果,根据输出结果以及输入数据,求解二者之间的关系的学习网络。当输入数据以及输出数据数量足够多时,就可以建立起二者之间的关系式,这个过程称之为学习,也叫作训练。
神经网络模型一种常用用法为对现有的数据进行分类,比如,对图片中表达的物体进行分类。或者,根据既有的数据进行未来发展动态进行预测。
本发明实施方式中应用的神经网络模型为有监督学习的神经网络。通过大量的运行数据以及对应运行数据表征的异常的训练,神经网络建立起,运行数据与对应运行数据的异常的关系。将该关系固定,即本发明实施方式中所述的固定神经网络的参数。
神经网络有明显的过拟合的趋势。所谓过拟合,就是完全按照数据的趋势形成数据与异常的关系,而不去顾及这种关系是否存在噪声,也就是存在的偏差。过拟合的神经网络,存在对于训练样本的分类准确,而投入实际应用中,准确率低的缺点。解决这种问题的方式通常为对神经网络正则化。
因此,本发明实施方式采用将训练的样本分为两类,一类为训练集,一类为验证集。通过训练集训练,训练出的神经网络模型在通过验证集验证准确率。当验证的准确率较低时,对神经网络进行正则化处理,本发明实施方式就是通过改变神经网络中间层的数量,调整验证的准确率。
在步骤104中,根据所述预警信息的节点标识,向所述节点发送所述预警信息。
示例性地,在一些实施方式中,对于输出的预警信息,如果预警信息中包含异常,则根据预警信息中的节点标识,向对应节点发送包含该异常的预警信息。
本发明基于边缘计算的电力设备状态监测与故障预警方法实施方式,其将在获取到大量的运行数据后,对运行数据根据以对应节点进行分类,然后,分类中的多个运行数据进行聚类,获得聚类中心。接着,将多个节点的聚类中心输入到预警模型中,获得预警信息。在对数据进行聚类后,数据量大幅减少,同时还能够保留尽可能多的运行数据的特征。因此,减少了数据的传输量、计算量。且聚类以节点为单位,可以根据预警结果定位到具体的节点。本发明实施方式,减少了数据传输量、尽可能做到减少特征的丢失,减少了模型的运算量,加快了运算速度,并将预警信息定位到了节点,为电力设备的运行维护提供了必要的数据支撑。
应理解,上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式,对于其中未详尽描述的细节,可以参考上述对应的方法实施方式。
图5是本发明实施方式提供的基于边缘计算的电力设备状态监测与故障预警系统功能框图,参照图5,基于边缘计算的电力设备状态监测与故障预警系统包括:
传感器终端301、节点监控装置302以及服务器303,所述服务器303上运行有预警模型;
所述传感器终端301用于获取电力设备的状态数据;
所述节点监控装置302用于根据与之连接的所述传感器终端301传输的所述电力设备的状态数据形成运行数据,并对所述运行数据进行聚类,获得节点状态数据;
所述服务器303用于所述服务器用于将将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,以及,根据所述预警信息的节点标识,向所述节点监控装置302发送所述预警信息,所述预警信息包括节点标识。
在一些实施方式中,所述传感器终端301包括以下至少一种:超声局放传感器、特高频局放传感器、接地电流高频传感器、SF6气体监测装置、声响声纹传感器、机械振动传感器、油色谱监测装置、开关操动机构机械特性监测装置、相对介损及电容量在线监测装置、阻性电流在线监测装置以及用于采集电力设备运行相关环境量的传感器。
图6是本发明实施方式提供的节点监控装置的功能框图。如图6所示,该实施方式的节点监控装置302包括:处理器400、存储器401以及存储在所述存储器401中并可在所述处理器400上运行的计算机程序402。所述处理器400执行所述计算机程序402时实现上述各个基于边缘计算的电力设备状态监测与故障预警方法及实施方式中的步骤,例如图1所示的步骤101至步骤104。
示例性的,所述计算机程序402可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器401中,并由所述处理器400执行,以完成本发明。
所述节点监控装置302可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述节点监控装置302可包括,但不仅限于,处理器400、存储器401。本领域技术人员可以理解,图6仅仅是节点监控装置302的示例,并不构成对节点监控装置302的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器401可以是所述节点监控装置302的内部存储单元,例如节点监控装置302的硬盘或内存。所述存储器401也可以是所述节点监控装置302的外部存储设备,例如所述节点监控装置302上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器401还可以既包括所述节点监控装置302的内部存储单元也包括外部存储设备。所述存储器401用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在上述实施方式中,对各个实施方式的描述都各有侧重,某个实施方式中没有详述或记载的部分,可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述基于边缘计算的电力设备状态监测与故障预警方法相应的实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式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方式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方式技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,包括:
获取电力设备的多个运行数据以及预警模型,其中,所述运行数据包括预设时间段内电力设备的多个状态数据;
以节点为单位,对所述多个运行数据进行聚类,获得多个节点的运行数据中心,所述节点的运行数据中心包括:所述节点的节点标识以及所述节点的多个运行数据的聚类中心;
将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,所述预警信息包括节点标识;
根据所述预警信息的节点标识,向所述节点发送所述预警信息。
2.根据权利要求1所述的基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,所述对所述多个运行数据进行聚类,获得多个节点的运行数据中心,包括:
对每个节点,执行如下步骤:
获取对应所述节点的所述节点标识、多个运行数据以及预设数量的聚类中心;
计算所述多个运行数据与各个聚类中心的距离;
将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心。
3.根据权利要求2所述的基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,所述获取对应所述节点的预设数量的聚类中心,包括:
获取所述预设数量以及多个样本;
将所述多个样本分类为所述预设数量的类;
对于每个所述类,执行如下步骤:
计算所述类中各个样本的中心点,作为所述聚类中心。
4.根据权利要求2所述的基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,所述将所述节点标识以及与所述多个运行数据距离最小的聚类中心,作为所述节点的运行数据中心,之后包括:
获取与所述多个运行数据距离最小的聚类中心所对应的类;
将所述多个运行数据作为样本加入所述类;
计算所述类中各个样本的中心点,作为所述类的聚类中心。
5.根据权利要求1-4任一项所述的基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,所述获取预警模型,包括:
获取多个预测样本、多个标签以及神经网络模型,其中,所述标签与所述预测样本相对应,用于标识预测样本的预期;
根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到第一预设值;
固定所述神经网络模型的参数,作为预警模型。
6.根据权利要求5所述的基于边缘计算的电力设备状态监测与故障预警方法,其特征在于,所述根据所述多个预测样本以及所述多个标签对所述神经网络模型进行训练,直至所述神经网络模型预测准确率达到预设值,包括:
将所述多个预测样本以及所述多个标签划分为训练集以及验证集;
训练步骤:根据所述训练集训练所述神经网络模型,直至所述神经网络模型预测准确率达到第二预设值;
验证步骤:固定所述神经网络模型的参数,根据所述验证集验证所述神经网络模型的预测准确率,若低于第一预设值,则通过降低中间层数量的方式改变所述神经网络模型的结构,重新返回至所述训练步骤。
7.一种基于边缘计算的电力设备状态监测与故障预警系统,其特征在于,包括:
传感器终端、节点监控装置以及服务器,所述服务器上运行有预警模型;
所述传感器终端用于获取电力设备的状态数据;
所述节点监控装置用于根据与之连接的所述传感器终端传输的所述电力设备的状态数据形成运行数据,并对所述运行数据进行聚类,获得节点状态数据;
所述服务器用于将将所述多个节点的运行数据中心输入至所述预警模型,获得预警信息,以及,根据所述预警信息的节点标识,向所述节点监控装置发送所述预警信息,所述预警信息包括节点标识。
8.一种基于边缘计算的电力设备状态监测与故障预警系统,其特征在于,所述传感器终端包括以下至少一种:超声局放传感器、特高频局放传感器、接地电流高频传感器、SF6气体监测装置、声响声纹传感器、机械振动传感器、油色谱监测装置、开关操动机构机械特性监测装置、相对介损及电容量在线监测装置、阻性电流在线监测装置以及用于采集电力设备运行相关环境量的传感器。
9.一种节点监控装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求2至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求2至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527177.3A CN114298175A (zh) | 2021-12-14 | 2021-12-14 | 基于边缘计算的电力设备状态监测与故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527177.3A CN114298175A (zh) | 2021-12-14 | 2021-12-14 | 基于边缘计算的电力设备状态监测与故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298175A true CN114298175A (zh) | 2022-04-08 |
Family
ID=80968465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527177.3A Pending CN114298175A (zh) | 2021-12-14 | 2021-12-14 | 基于边缘计算的电力设备状态监测与故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298175A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462901A (zh) * | 2022-04-13 | 2022-05-10 | 石家庄科林物联网科技有限公司 | 有源配电网电能质量评价方法、装置、终端及存储介质 |
CN115314401A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
CN115877198A (zh) * | 2022-12-23 | 2023-03-31 | 国网山东省电力公司蒙阴县供电公司 | 基于边缘计算的一二次融合开关故障诊断预警系统 |
CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
-
2021
- 2021-12-14 CN CN202111527177.3A patent/CN114298175A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462901A (zh) * | 2022-04-13 | 2022-05-10 | 石家庄科林物联网科技有限公司 | 有源配电网电能质量评价方法、装置、终端及存储介质 |
CN115314401A (zh) * | 2022-06-30 | 2022-11-08 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
CN115314401B (zh) * | 2022-06-30 | 2024-03-15 | 中铁第四勘察设计院集团有限公司 | 接触网状态监测方法、装置、电子设备及存储介质 |
CN115877198A (zh) * | 2022-12-23 | 2023-03-31 | 国网山东省电力公司蒙阴县供电公司 | 基于边缘计算的一二次融合开关故障诊断预警系统 |
CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
CN115986945B (zh) * | 2023-03-21 | 2023-06-16 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
CN117894317A (zh) * | 2024-03-14 | 2024-04-16 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
CN117894317B (zh) * | 2024-03-14 | 2024-05-24 | 沈阳智帮电气设备有限公司 | 基于声纹分析的箱式变压器在线监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
KR101965159B1 (ko) | 머신러닝을 이용한 이상 신호 분류 인공지능 알고리즘 방법 및 이를 이용한 변전소 상태감시 시스템 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
Lima et al. | Wavelet‐artificial immune system algorithm applied to voltage disturbance diagnosis in electrical distribution systems | |
CN111583592A (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN113283550A (zh) | 一种车网电气耦合数据的异常辨识模型训练方法 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
CN114358085A (zh) | 基于异构模型融合的线路故障诊断方法及装置 | |
CN113159517B (zh) | 一种三维可视化电网运行数据分析系统 | |
DE102021006561A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
CN115684786A (zh) | 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统 | |
CN115392384A (zh) | 一种基于Stacking学习的电缆故障诊断方法、系统及设备 | |
CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
DE102021101757A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
CN113971777A (zh) | 一种设备故障预测方法、装置及服务器 | |
CN111026608A (zh) | 一种Oracle数据库性能诊断方法及其系统、设备、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 |