CN114742178A - 一种通过mems六轴传感器进行非侵入式压板状态监测的方法 - Google Patents
一种通过mems六轴传感器进行非侵入式压板状态监测的方法 Download PDFInfo
- Publication number
- CN114742178A CN114742178A CN202210651369.3A CN202210651369A CN114742178A CN 114742178 A CN114742178 A CN 114742178A CN 202210651369 A CN202210651369 A CN 202210651369A CN 114742178 A CN114742178 A CN 114742178A
- Authority
- CN
- China
- Prior art keywords
- nodes
- state
- layer
- node
- tree
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及数据识别技术领域,具体涉及一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法。该方法利用MEMS六轴传感器获得准确的压板状态,并根据投入状态下的压板的拓扑关系构建拓扑图。根据节点的分布对拓扑图中的节点进行聚类,在每个聚类簇中设置合并过程,利用合并过程获得表示精准位置信息的图结构。根据投入状态压板数量、聚类过程及合并过程中的数据构建树结构。通过对理想树结构与实时树结构的逐层对比,获得异常压板位置。本发明通过对MEMS六轴传感器获得的状态数据进行分析,构建树结构用于检索,实现了实时性强,计算量少的非侵入式压板状态监测方法。
Description
技术领域
本发明涉及数据识别技术领域,具体涉及一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法。
背景技术
变电站的压板分布较为集中且压板数目较多,压板的投退状态对电网起到了不同的保护作用。随着国网公司“电网数字化转型”规划的不断深化,利用智能化、数字化手段解决电网运行及安全的问题受到高度重视,目前变电站以及发电企业压板保护定值核查和压板的投退均依赖人工方式,由于压板尺寸小,数量多,分布密集,此项工作耗时耗力,还容易造成视觉疲劳,导致误操作,漏操作现象频发。一旦出现误操作,轻则导致区域电网用户大面积停电,设备损毁,重则引起区域电网解列,电网崩溃。
为了防止压板的误投退,实现智能化的压板状态监测,现有技术中提出了多种智能化的解决方案,例如图像识别方法、机器人巡视方法、微动开关方法。这些新兴方法均存在设备安装困难,监测成本较高,监测设备维护困难,处理算法困难等缺陷。因此对于压板的状态监测实用的方法还是选择利用传感器对压板状态进行识别。
MEMS六轴传感器通过六轴加速度传感芯片,利用重力加速度和重力矢量及其在加速度计轴上的投影,以1.6Hz到1600Hz的输出数据速率测量加速度,通过算法换算倾斜角度进行压板状态采集。通过MEMS六轴传感器可对压板的连片进行倾斜角度判断,检测每个压板的投入及推出状态。利用传感器识别每个压板的投退状态后,可将数据进行加密传输至监测平台,通过对检测平台中监测每个压板的投退状态。
但是在对监测平台中的压板状态进行监测时,为了检测每次投退状态改变命令后每个压板的投退状态,往往会遍历整个压板数据,因为压板数量较多,分布范围广泛且分布密集,特别是对于大型变电站,遍历时间较长,实时性较差且算力浪费严重,不能有效实现智能化的压板状态监测方法。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,所采用的技术方案具体如下:
本发明提出了一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,所述方法包括:
通过每个压板的MEMS六轴传感器获得压板的投退状态,所述投退状态包括投入状态和退出状态;根据变电站中每个压板的所述投退状态构建状态矩阵;所述状态矩阵中每个元素的位置表示对应压板的位置,每个元素的大小表示对应压板的所述投退状态;
以所述状态矩阵中所有所述投入状态下的元素作为节点,构建拓扑图;以所述状态矩阵中相邻元素之间对应在所述拓扑图中的距离作为邻近距离,当所述拓扑图中节点之间的距离等于所述邻近距离时,认定为两个节点最邻近;根据所述拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇;根据投退状态改变命令获得所述拓扑图中状态改变节点的位置;以所述聚类簇中聚类中心节点在预设邻近范围内的所有节点作为待选节点;根据每个所述聚类簇中所述待选节点的度和所述待选节点到所述聚类簇中所有所述状态改变节点的距离累加和获得初始点挑选指标;所述初始点挑选指标与所述度和所述距离累加和呈正相关关系;以最大初始点挑选指标对应的所述待选节点作为对应所述聚类簇中的初始节点;以所述初始节点作为起点,执行多次合并过程,直至所述聚类簇中的节点无法继续合并;所述合并过程的初始过程为将所述初始节点与其最邻近的其他节点合并为一个图结构,在后续所述合并过程中将所述图结构与其最邻近的其他节点合并为一个新的所述图结构;
构建树结构;所述树结构的第一层的根节点的值为所述状态矩阵中所述投入状态下的元素总数量;所述树结构的第二层的树节点的值为每个所述聚类簇中的节点数量,第二层的树节点数量为所述聚类簇的数量;所述树结构的第三层的树节点的值为对应所述聚类簇每次所述合并过程形成的所述图结构相较于上一个所述合并过程的所述图结构的新增节点数量,第三层的树节点数量为每个所述聚类簇的所述合并过程的次数的总和;所述树结构的第四层的树节点的值为每个所述图结构中的节点在所述状态矩阵中的坐标,第四层的树节点数量为所述状态矩阵中节点的数量;
获得每次所述投退状态改变命令后的理想树结构和实时树结构;将所述理想树结构与所述实时树结构从第一层开始逐层对比,获得异常树节点,根据所述异常树节点获得对应的异常压板的位置信息并对所述异常压板进行状态修正。
进一步地,所述根据变电站中每个压板的所述投退状态构建状态矩阵包括:
根据变电站中每个压板的所述投退状态构建初始状态矩阵;根据所述投退状态改变命令获得所述状态改变节点的数量,将所述状态改变节点的数量开根号并向上取整,获得分区数量;根据所述分区数量分别对所述初始状态矩阵的行和列均匀划分,获得多个所述状态矩阵。
进一步地,所述以所述状态矩阵中所有所述投入状态下的元素作为节点,构建拓扑图包括:
利用不规则三角网生成算法构建所述拓扑图。
进一步地,所述根据所述拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇包括:
利用K均值聚类算法对节点进行聚类,获得多个聚类簇;以所述邻近距离作为K均值聚类算法的聚类半径。
进一步地,所述根据每个所述聚类簇中所述待选节点的度和所述待选节点到所述聚类簇中所有所述状态改变节点的距离累加和获得初始点挑选指标包括:
以所述聚类簇中所述待选节点的所述度与所述距离累加和的乘积作为所述初始点挑选指标。
进一步地,所述将所述理想树结构与所述实时树结构从第一层开始逐层对比,获得每层的异常树节点还包括:
若所述理想树结构与所述实时树结构在第二层存在多个所述异常树节点,获得每个所述异常树节点与所述理想树结构中对应的理想树节点值的节点值差异,根据所述节点值差异设置检索对比优先级,所述节点值差异与所述检索对比优先级呈正比;根据所述检索对比优先级依次对所述异常树节点进行第三层及第四层的检索对比。
本发明具有如下有益效果:
1.本发明实施例通过MEMS六轴传感器获得每个压板的投退状态,并根据投入状态下的压板作为节点构建拓扑图,通过对拓扑图中的形态和节点分布进行分析,获得四层的树结构。通过逐层对比理想树结构和实时树结构中树节点的差异,可避免对所有压板状态进行遍历导致的算力浪费。通过树结构的第二层和第三层即可判断当前压板的错误状态及出现错误的区域,通过对应的第四层的节点可识别出每个异常压板的位置,实现快速压板状态的监测。且数据处理的过程是在包含存储设备的处理器中,不会对压板的工作状态产生影响,实现了非侵入式的监测。
2.本发明实施例根据拓扑图节点之间的距离进行聚类,以聚类结果作为树结构第二层的信息,即保证了树结构第二层的信息量较少,又能够表示拓扑图中的节点的分布信息。设置合并过程获得第三层的信息,利用第三层的信息可判断压板错误投退状态的类型及错误位置。根据第三层的树节点对应的分支在第四层的树节点信息可准确定位出错误投退状态压板的位置。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法流程图;
图2为本发明一个实施例所提供的一种三角网拓扑图示意图;
图3为本发明一个实施例所提供的一种树结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法流程图,该方法包括:
步骤S1:通过每个压板的MEMS六轴传感器获得压板的投退状态,所述投退状态包括投入状态和退出状态;根据变电站中每个压板的所述投退状态构建状态矩阵;所述状态矩阵中每个元素的位置表示对应压板的位置,每个元素的大小表示对应压板的所述投退状态。
MEMS(MicroElectromechanicalSystem,微机电系统)六轴传感器能够在1uA的低功耗情况下识别传感器芯片动作产生中断,对压板的连片进行倾斜角度判断,检测压板投入以及退出状态。在本发明实施例中,将投退状态分为投入状态和退出状态,MEMS六轴传感器获取到压板的投退状态后,将投入状态的压板记为1,将退出状态的压板记为0,将状态数据传输至嵌入式芯片中,进行数据存储及数据处理。
为了实现压板状态数据的存储和方便后续数据的处理,根据每个压板的投退状态构建状态矩阵。状态矩阵为一个二维矩阵,状态矩阵中每个元素的位置表示对应压板的位置,每个元素的大小表示对应压板的投入状态,即状态矩阵为一个个值为1或0的元素构成的二维矩阵。需要说明的是,状态矩阵需要包括所有压板,在本发明实施例中,将压板总数开根号后向上取整,获得状态矩阵的行列数。
需要说明的是,二维矩阵可以在包含所有压板的位置信息和投退状态信息的同时实现简单准确的数据存储。如果将压板的信息构建为长序列形式,则在后续得到的图结构中层次数量过大,无法表示出节点的分布信息;如果将压板的信息构建为三维矩阵,则会存在计算量大,存储困难等缺陷。
电网运行方式改变时,会根据改变内容发出投退状态改变命令,工作人员可根据投退状态改变命令对需要改变投退状态的状态改变压板做出对应的状态改变。在状态改变过程中,因为是人为执行命令,则可能会出现压板错投现象,错投现象包括漏投和误投,最理想的错投现象为多个错投压板集中分布在一个小区域,在后续检索对比过程中可直接定位出该错投区域,错投区域之外的其他区域不必再进行检索对比,计算量大大减小。而最坏的错投现象为多个错投压板离散分布,需要遍历大部分压板才能将隐患排查,需要状态调整的压板越多,出错的概率越大,因此需要对状态矩阵进行分区,重新划分矩阵,具体包括:
根据变电站中每个压板的投退状态构建初始状态矩阵,即初始状态矩阵为包括了所有压板信息的矩阵。根据投退状态改变命令获得状态改变节点的数量,将状态改变节点的数量开根号并向上取整,获得分区数量。根据分区数量分别对初始状态矩阵的行和列均匀划分,获得多个状态矩阵。通过对初始状态矩阵的分区,使得状态矩阵中包含少量状态改变节点或者包含集中分布的状态改变节点,方便了对所有压板的状态监测。需要说明的是,本段内容中的状态改变节点为步骤S2提出的概念,状态改变节点即为投退状态改变命令中需要改变投退状态的压板。
步骤S2:以状态矩阵中所有投入状态下的元素作为节点,构建拓扑图;以状态矩阵中相邻元素之间对应在拓扑图中的距离作为邻近距离,当拓扑图中节点之间的距离等于邻近距离时,认定为两个节点最邻近;根据拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇;根据投退状态改变命令获得每个聚类簇中的状态改变节点;以聚类簇中聚类中心节点在预设邻近范围内的所有节点作为待选节点;根据每个聚类簇中待选节点的度和待选节点到聚类簇中所有状态改变节点的距离累加和获得初始点挑选指标;初始点挑选指标与度和距离累加和呈正相关关系;以最大初始点挑选指标对应的待选节点作为对应聚类簇中的初始节点;以初始节点作为起点,执行多次合并过程,直至聚类簇中的节点无法继续合并;合并过程的初始过程为将初始节点与其最邻近的其他节点合并为一个图结构,在后续合并过程中将图结构与其最邻近的其他节点合并为一个新的图结构。
本发明实施例旨在构建一个包含多层信息的树结构图,树结构图中每层信息拥有不同含义,通过逐层检索对比完成对压板状态错投现象的监测。因此在构建树结构图之前需要获得当前不同投退状态压板的分布信息及数量信息,因为投入状态下的压板更具有参考意义,因此以状态矩阵中所有投入状态下的元素作为节点,构建拓扑图。
构建拓扑图能够显示节点与节点之间的距离关系及节点分布关系,即拓扑图某个区域节点分布越紧密,拓扑关系越复杂,说明该区域对应的投入状态下的压板分布越紧密,压板数量越多。以状态矩阵中相邻元素之间对应在拓扑图中的距离作为邻近距离,拓扑图中节点之间的距离等于邻近距离的两个节点认定为最邻近,需要说明的是,状态矩阵中相邻元素在拓扑图中均存在对应的节点,即该相邻元素为相邻投入状态下的元素。
优选的,利用不规则三角网生成(TIN)算法构建拓扑图。三角网能够表示不同节点之间的拓扑关系,某个节点的位置改变或者某个节点的去除和增加都会造成拓扑结构的变化,即三角网拓扑图对节点变化的敏感性较大。请参阅图2,其示出了本发明一个实施例所提供的一种三角网拓扑图示意图,图2中每个点表示一个节点,每条线段表示节点与节点之间的位置关系,线段越短,表示节点之间距离越近;线段越长,表示节点之间距离越远。需要说明的是,不规则三角网生成算法为本领域技术人员熟知的技术手段,在此对其具体实施方法,不做赘述。
因为一个区域的压板对应一个拓扑图,在一个区域中可能存在不同子区域的投入状态的压板集合,因此根据拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇包括:
利用K均值聚类算法对节点进行聚类,获得多个聚类簇。以邻近距离作为K均值聚类算法的聚类半径。即每个聚类簇表示多个连续相邻且集中分布的节点集合。需要说明的是,K均值聚类算法为本领域技术人员熟知的技术手段,在此不做赘述。
聚类簇中的节点数量表示了某个位置区域中投入状态压板的数量,但是聚类簇仅包括了一个模糊且较大区域的位置信息和对应的数量信息,若直接根据聚类簇信息对异常压板进行检索,仍会造成较大的检索算力,因此在聚类簇中设置一个初始点,并以初始点作为起点进行多次合并过程,直至聚类簇中的节点无法继续合并,合并过程的初始过程为将初始节点与其最邻近的其他节点合并为一个图结构,在后续合并过程中将图结构与其最邻近的其他节点合并为一个新的图结构。在后续检索对比的过程中,若某个位置的压板发生错投现象,则可根据对应的图结构异常快速精准的判断出异常位置。因此为了实现后续的检索对比过程,需要保证初始点的选取在理想树结构和实时树结构中均是唯一的,即初始点要保证在聚类簇中参考性较大,且不会被状态改变节点所影响。因此获得每个聚类簇的初始点的方法包括:
根据投退状态改变命令获得拓扑图中状态改变节点的位置,需要说明的是,拓扑图中状态改变节点仅提供一个位置关系,状态改变节点本身的投退状态并不能对拓扑图中的拓扑结构造成影响。以聚类簇中聚类中心节点在邻近范围内的所有节点作为待选节点。邻近范围的半径为邻近距离的二倍。根据每个聚类簇中待选节点的度和待选节点到所有状态改变节点的距离累加和获得初始点挑选指标。初始点挑选指标与度和距离累加和呈正相关关系。优选地,以度和距离累加和的乘积作为初始点挑选指标。聚类中心节点可作为该聚类簇的位置参考,因此在聚类中心节点的邻近范围内的节点进行初始点的挑选使得初始点更具有参考性,且以聚类簇的中心处作为起点进行合并,减少了后续的合并过程次数,减小了计算量;度越大,说明该待选节点的拓扑关系越复杂,有助于后续检索对比过程中的快速定位;距离累加和越大,说明对应的待选节点与状态改变节点距离越远,越不容易被状态改变节点影响。
以最大初始点挑选指标对应的待选节点作为对应聚类簇中的初始节点。
获得每个聚类簇的初始节点并开始合并过程,每次合并过程均构成一个图结构,直至对应聚类簇中的节点无法继续合并。一个图结构中包含多个节点,在一个聚类簇中的不同图结构中的节点数量和包含的节点能够反映出节点的位置信息,即合并过程的次数越少,对应图结构中的节点越分布在聚类簇中心。
步骤S3:构建树结构;树结构的第一层的根节点的值为状态矩阵中投入状态下的元素总数量;树结构的第二层的树节点的值为每个聚类簇中的节点数量,第二层的树节点数量为聚类簇的数量;树结构的第三层的树节点的值为对应聚类簇每次合并过程形成的所述图结构相较于上一个合并过程的图结构的新增节点数量,第三层的树节点数量为每个聚类簇的合并过程的次数的总和;树结构的第四层的树节点的值为每个图结构中的节点在状态矩阵中的坐标,第四层的树节点数量为状态矩阵中节点的数量。
请参阅图3,其示出了本发明一个实施例所提供的一种树结构示意图,图3中的树结构为一个四层的树结构每层树结构均代表不同的含义,具体包括:
树结构的第一层仅存在一个树节点,即树结构的根节点,根节点的值为状态矩阵中投入状态下的元素总数量,即拓扑图中的节点数量。根节点的值表示了当前变电站中对应压板区域中投入状态下的压板数量,若该值存在异常,则说明压板可能存在漏投或者误投现象:当出现漏投时,根节点的值会变小;当出现错投时,根节点的值会变大。
树结构的第二层的树节点的数量为聚类簇的数量,需要说明的是,第二层树节点的数量一般来说不会发生变化,因为如果第二层树节点的数量发生变化,则说明当前压板存在大面积的错投,在常规的投退状态改变命令的场景下不会出现该类情况,因此第二层应重点关注树节点的数值。树节点的数值表示当前聚类簇中的节点数量,与根节点的值类似,若第二层树节点的值存在异常,则说明压板可能存在漏投或者误投现象,当出现漏投时,第二层树节点的值会变小;当出现错投时,第二层树节点的值会变大。需要说明的是,第二层的树节点的值的判断可将异常节点精确的划分至一个区域中,根据后续层次的检索对比即可确定异常压板位置。
树结构的第三层的树节点的数量为每个聚类簇中所执行的合并过程的次数的总和,即一个第二层的树节点对应多个第三层的树节点,第三层的树节点的值为对应聚类簇每次合并过程形成的图结构相较于上一次合并过程的图结构的新增节点数量,第三层树节点的值可反映应该精确的小范围内的节点数量,因此第三层不同树节点的值能够表示更精确的节点的位置信息。
树结构的第四层的树节点数量为拓扑图中所有节点的数量,每个树节点的值为对应图结构中节点在状态矩阵中的坐标,即一个第三层的树节点对应多个第四层的树节点。
需要说明的是,图3仅表示本发明实施例中的树结构为一个四层的树结构,树结构每层树节点的意义如上述内容所表述,图3中的结构并不为真实树结构。
步骤S4:获得每次投退状态改变命令后的理想树结构和实时树结构;将理想树结构与实时树结构从第一层开始逐层对比,获得每层的异常树节点,根据异常树节点获得对应的异常压板的位置信息并对异常压板进行状态修正。
在每次投退状态改变命令发起时,都会对应一个理想树结构和一个实时树结构,理想树结构为压板正确执行投退状态改变命令后的树结构,实时树结构为压板执行投退状态改变命令后通过MEMS六轴传感器获得实时的压板实际状态从而构建的树结构。所以通过将理想树结构与实时树结构的对比即可获得异常树节点及异常树节点对应的异常压板的位置信息。
需要说明的是,在进行理想树结构和实时树结构对比时,是从第一层开始自上而下逐层对比,如果直接根据第四层的树节点数量进行对比则相当于还是遍历整个压板数据,无法起到减少计算量的目的。在树结构中,每个上层的节点数量均小于下层的节点数量,如果下层节点存在异常,则对应的高层节点也会存在异常,则可根据高层节点做出精准定位及检索。所以只有自上而下逐层对比才可以起到减少检索对比计算量的目的,在此对逐层对比的过程做出简要描述:
(1)对第一层的根节点的值进行比较,根节点表示的是当前投入状态下压板的数量,如果理想树结构和实时树结构的根节点值相同,说明不存在压板漏投或者误投的现象,但是可能存在漏投和误投同时产生的现象,因此仍需要进行下一层的比较;如果根节点值不同,则说明当前压板出现了漏投或者误投的现象,可继续进行下一次的比较,对漏投或者误投的压板进行准确定位。
(2)对第二层的每个树节点进行比较,由步骤S3中的内容可知,第二层的树节点数量不会发生改变,因此在比较时理想树结构与实时树结构的第二层中每个树节点存在一一对应的关系,因此可直接对比对应树节点之间的值。第二层树节点的值表示一个区域内的节点数量,并无法表示准确的位置信息,因此当第二层树节点的值没有异常时,说明不存在压板漏投或者误投的现象,但是可能存在漏投和误投同时产生的现象,仍需要对比对应的下一层的树节点;当第二层树节点的值存在异常时,说明该部分区域存在漏投或者误投,可直接根据第二层的异常树节点对应的树节点分支识别出异常压板位置。优选地,若理想树结构与实时树结构在第二层存在多个异常树节点,获得每个异常树节点与理想树结构中对应的理想树节点值的节点值差异,根据节点值差异设置检索对比优先级,节点值差异与检索对比优先级呈正比。根据检索对比优先级依次对异常树节点进行第三层及第四层的检索对比。通过设置检索对比优先级可优先对异常程度较大的区域的压板进行检索对比并修正,最大程度避免事故,提高压板状态监测的实时性。
(3)对第三层的每个树节点进行比较,第三层每个树节点可表示节点在拓扑图中的精准位置,因此若第三层树节点的值没有异常,则不必再进行第四层的检索对比。若实时树结构的第三层树节点的值相较于理想树结构的值小,则说明在一个位置处存在漏投压板;若实时树结构的第三层树节点的值相较于理想树结构的值大,则说明在一个位置处存在误投压板,可直接根据第三层的异常树节点对应的第四层的树节点对异常压板进行精准定位。
(4)对第四层需要进行对比的树节点进行比较,确定异常节点在状态矩阵中的坐标,从而获得异常压板的位置。通知工作人员对异常压板进行及时的状态修正。需要说明的是,第四层包括了所有投入状态下的压板信息,第四层的数据量远大于前三层数据量的总和,通过第三层对第四层检索的约束,能够大大减少计算量,从而快速准确实现异常压板的精准定位。
因为状态矩阵表示了一个区域内的压板信息,因此通过对每个状态矩阵的信息进行处理并检索对比,即可获得当前变电站所有的异常压板,实现对变电站压板的状态监测,并且本发明实施例所提供的数据结构构建过程及检索对比过程均在嵌入式芯片中进行,对实际的压板区域不会造成影响,实现了一种非侵入式的压板状态监测。
综上所述,本发明实施例利用MEMS六轴传感器获得准确的压板状态,并根据投入状态下的压板的拓扑关系构建拓扑图。根据节点的分布对拓扑图中的节点进行聚类,在每个聚类簇中设置合并过程,利用合并过程获得表示精准位置信息的图结构。根据投入状态压板数量、聚类过程及合并过程中的数据构建树结构。通过对理想树结构与实时树结构的逐层对比,获得异常压板位置。本发明实施例通过对MEMS六轴传感器获得的状态数据进行分析,构建树结构用于检索,实现了实时性强,计算量少的非侵入式压板状态监测方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述方法包括:
通过每个压板的MEMS六轴传感器获得压板的投退状态,所述投退状态包括投入状态和退出状态;根据变电站中每个压板的所述投退状态构建状态矩阵;所述状态矩阵中每个元素的位置表示对应压板的位置,每个元素的大小表示对应压板的所述投退状态;
以所述状态矩阵中所有所述投入状态下的元素作为节点,构建拓扑图;以所述状态矩阵中相邻元素之间对应在所述拓扑图中的距离作为邻近距离,当所述拓扑图中节点之间的距离等于所述邻近距离时,认定为两个节点最邻近;根据所述拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇;根据投退状态改变命令获得所述拓扑图中状态改变节点的位置;以所述聚类簇中聚类中心节点在预设邻近范围内的所有节点作为待选节点;根据每个所述聚类簇中所述待选节点的度和所述待选节点到所述聚类簇中所有所述状态改变节点的距离累加和获得初始点挑选指标;所述初始点挑选指标与所述度和所述距离累加和呈正相关关系;以最大初始点挑选指标对应的所述待选节点作为对应所述聚类簇中的初始节点;以所述初始节点作为起点,执行多次合并过程,直至所述聚类簇中的节点无法继续合并;所述合并过程的初始过程为将所述初始节点与其最邻近的其他节点合并为一个图结构,在后续所述合并过程中将所述图结构与其最邻近的其他节点合并为一个新的所述图结构;
构建树结构;所述树结构的第一层的根节点的值为所述状态矩阵中所述投入状态下的元素总数量;所述树结构的第二层的树节点的值为每个所述聚类簇中的节点数量,第二层的树节点数量为所述聚类簇的数量;所述树结构的第三层的树节点的值为对应所述聚类簇每次所述合并过程形成的所述图结构相较于上一个所述合并过程的所述图结构的新增节点数量,第三层的树节点数量为每个所述聚类簇的所述合并过程的次数的总和;所述树结构的第四层的树节点的值为每个所述图结构中的节点在所述状态矩阵中的坐标,第四层的树节点数量为所述状态矩阵中节点的数量;
获得每次所述投退状态改变命令后的理想树结构和实时树结构;将所述理想树结构与所述实时树结构从第一层开始逐层对比,获得每层的异常树节点,根据第三层的所述异常树节点获得对应的异常压板的位置信息并对所述异常压板进行状态修正。
2.根据权利要求1所述的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述根据变电站中每个压板的所述投退状态构建状态矩阵包括:
根据变电站中每个压板的所述投退状态构建初始状态矩阵;根据所述投退状态改变命令获得所述状态改变节点的数量,将所述状态改变节点的数量开根号并向上取整,获得分区数量;根据所述分区数量分别对所述初始状态矩阵的行和列均匀划分,获得多个所述状态矩阵。
3.根据权利要求1所述的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述以所述状态矩阵中所有所述投入状态下的元素作为节点,构建拓扑图包括:
利用不规则三角网生成算法构建所述拓扑图。
4.根据权利要求1所述的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述根据所述拓扑图中的节点之间的距离对节点进行聚类,获得多个聚类簇包括:
利用K均值聚类算法对节点进行聚类,获得多个聚类簇;以所述邻近距离作为K均值聚类算法的聚类半径。
5.根据权利要求1所述的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述根据每个所述聚类簇中所述待选节点的度和所述待选节点到所述聚类簇中所有所述状态改变节点的距离累加和获得初始点挑选指标包括:
以所述聚类簇中所述待选节点的所述度与所述距离累加和的乘积作为所述初始点挑选指标。
6.根据权利要求1所述的一种通过MEMS六轴传感器进行非侵入式压板状态监测的方法,其特征在于,所述将所述理想树结构与所述实时树结构从第一层开始逐层对比,获得每层的异常树节点还包括:
若所述理想树结构与所述实时树结构在第二层存在多个所述异常树节点,获得每个所述异常树节点与所述理想树结构中对应的理想树节点值的节点值差异,根据所述节点值差异设置检索对比优先级,所述节点值差异与所述检索对比优先级呈正比;根据所述检索对比优先级依次对所述异常树节点进行第三层及第四层的检索对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651369.3A CN114742178B (zh) | 2022-06-10 | 2022-06-10 | 一种通过mems六轴传感器进行非侵入式压板状态监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651369.3A CN114742178B (zh) | 2022-06-10 | 2022-06-10 | 一种通过mems六轴传感器进行非侵入式压板状态监测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742178A true CN114742178A (zh) | 2022-07-12 |
CN114742178B CN114742178B (zh) | 2022-11-08 |
Family
ID=82286867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210651369.3A Active CN114742178B (zh) | 2022-06-10 | 2022-06-10 | 一种通过mems六轴传感器进行非侵入式压板状态监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742178B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404664A (zh) * | 2008-11-05 | 2009-04-08 | 湖南大学 | 一种基于节点聚类的网络定位优化算法 |
CN105515197A (zh) * | 2016-01-04 | 2016-04-20 | 南京南瑞继保电气有限公司 | 电网拓扑结构识别方法及装置 |
CN109858572A (zh) * | 2019-03-13 | 2019-06-07 | 中南大学 | 一种用于污水异常检测的改进型层次聚类方法 |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
CN110070121A (zh) * | 2019-04-15 | 2019-07-30 | 西北工业大学 | 一种基于树策略与平衡k均值聚类的快速近似k近邻方法 |
CN110084326A (zh) * | 2019-05-13 | 2019-08-02 | 东北大学 | 一种基于模糊集的工业设备异常检测方法 |
CN110888755A (zh) * | 2019-11-15 | 2020-03-17 | 亚信科技(中国)有限公司 | 一种微服务系统异常根因节点的查找方法及装置 |
CN111163485A (zh) * | 2019-12-17 | 2020-05-15 | 佛山科学技术学院 | 一种传感器网络故障主动感知方法及系统 |
CN111585283A (zh) * | 2020-07-03 | 2020-08-25 | 国网安徽省电力有限公司亳州供电公司 | 基于数据预判的智慧化备自投装置在线投退方法 |
CN111695223A (zh) * | 2020-06-11 | 2020-09-22 | Ut斯达康通讯有限公司 | 一种网络拓扑布局方法及系统 |
CN112016175A (zh) * | 2020-08-14 | 2020-12-01 | 华侨大学 | 一种基于树状层次聚类的供水管网测压点优化布置方法 |
CN112098772A (zh) * | 2020-08-17 | 2020-12-18 | 国网安徽省电力有限公司铜陵供电公司 | 一种配电网线变关系异常识别判定方法 |
CN113129285A (zh) * | 2021-04-20 | 2021-07-16 | 国网山东省电力公司安丘市供电公司 | 一种区域保护压板校验方法及系统 |
CN113420804A (zh) * | 2021-06-18 | 2021-09-21 | 工业互联网创新中心(上海)有限公司 | 数据处理方法、装置、网络设备及存储介质 |
US20220035963A1 (en) * | 2018-10-16 | 2022-02-03 | HYDRO-QUéBEC | Reconstruction of a topology of an electrical distribution network |
CN114118441A (zh) * | 2021-11-24 | 2022-03-01 | 福州大学 | 基于高效搜索策略在不确定性环境下的在线规划方法 |
CN114418006A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种异常数据的检测方法及装置 |
CN114462538A (zh) * | 2022-02-10 | 2022-05-10 | 广东电网有限责任公司 | 基于kmeans的电网异常设备检测方法及装置 |
-
2022
- 2022-06-10 CN CN202210651369.3A patent/CN114742178B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404664A (zh) * | 2008-11-05 | 2009-04-08 | 湖南大学 | 一种基于节点聚类的网络定位优化算法 |
CN105515197A (zh) * | 2016-01-04 | 2016-04-20 | 南京南瑞继保电气有限公司 | 电网拓扑结构识别方法及装置 |
US20220035963A1 (en) * | 2018-10-16 | 2022-02-03 | HYDRO-QUéBEC | Reconstruction of a topology of an electrical distribution network |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
CN109858572A (zh) * | 2019-03-13 | 2019-06-07 | 中南大学 | 一种用于污水异常检测的改进型层次聚类方法 |
CN110070121A (zh) * | 2019-04-15 | 2019-07-30 | 西北工业大学 | 一种基于树策略与平衡k均值聚类的快速近似k近邻方法 |
CN110084326A (zh) * | 2019-05-13 | 2019-08-02 | 东北大学 | 一种基于模糊集的工业设备异常检测方法 |
CN110888755A (zh) * | 2019-11-15 | 2020-03-17 | 亚信科技(中国)有限公司 | 一种微服务系统异常根因节点的查找方法及装置 |
CN111163485A (zh) * | 2019-12-17 | 2020-05-15 | 佛山科学技术学院 | 一种传感器网络故障主动感知方法及系统 |
CN111695223A (zh) * | 2020-06-11 | 2020-09-22 | Ut斯达康通讯有限公司 | 一种网络拓扑布局方法及系统 |
CN111585283A (zh) * | 2020-07-03 | 2020-08-25 | 国网安徽省电力有限公司亳州供电公司 | 基于数据预判的智慧化备自投装置在线投退方法 |
CN112016175A (zh) * | 2020-08-14 | 2020-12-01 | 华侨大学 | 一种基于树状层次聚类的供水管网测压点优化布置方法 |
CN112098772A (zh) * | 2020-08-17 | 2020-12-18 | 国网安徽省电力有限公司铜陵供电公司 | 一种配电网线变关系异常识别判定方法 |
CN113129285A (zh) * | 2021-04-20 | 2021-07-16 | 国网山东省电力公司安丘市供电公司 | 一种区域保护压板校验方法及系统 |
CN113420804A (zh) * | 2021-06-18 | 2021-09-21 | 工业互联网创新中心(上海)有限公司 | 数据处理方法、装置、网络设备及存储介质 |
CN114118441A (zh) * | 2021-11-24 | 2022-03-01 | 福州大学 | 基于高效搜索策略在不确定性环境下的在线规划方法 |
CN114418006A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种异常数据的检测方法及装置 |
CN114462538A (zh) * | 2022-02-10 | 2022-05-10 | 广东电网有限责任公司 | 基于kmeans的电网异常设备检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
E.FERRARIO等: "Evaluation of the robustness of critical infrastructures by Hierarchical Graph representation, clustering and Monte Carlo simulation", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 * |
MOHAMEDYOUNIS等: "Topology management techniques for tolerating node failures in wireless sensor networks: A survey", 《COMPUTER NETWORKS》 * |
张晓彤: "智能变电站高压断路器及通信网络故障诊断方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
矫坤霖: "基于继电保护测试技术的智能变电站故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114742178B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101764846B (zh) | 一种远程集中式磁盘阵列运行监控系统的实现方法 | |
CN106095639A (zh) | 一种集群亚健康预警方法及系统 | |
CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN107909208A (zh) | 一种台区配网降损方法 | |
CN105045253B (zh) | 电气设备异常运行工况快速甄别方法 | |
CN110287078A (zh) | 基于zabbix性能基线的异常检测和告警方法 | |
CN108388227B (zh) | 空调远程故障诊断方法及系统 | |
CN113850475A (zh) | 一种基于大数据的生产设备性能评估系统 | |
CN114742178B (zh) | 一种通过mems六轴传感器进行非侵入式压板状态监测的方法 | |
CN104731970B (zh) | 高速公路多源异构数据的数据质量评价与控制方法 | |
CN114167217B (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN113157526B (zh) | 一种基于电力监控系统的日志审计系统 | |
CN110598750A (zh) | 一种基于转辙机动作曲线相似度特征的工况识别方法 | |
CN113552853B (zh) | 一种化工系统多工况的报警管理方法及装置 | |
CN115358371A (zh) | 基于深度学习的电网监控信息事件化智能辨识方法 | |
CN114819488A (zh) | 一种基于大数据分析的建筑施工作业信息化管理平台 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 | |
CN114064673A (zh) | 一种盾构云平台多线路中心刀损坏预警系统 | |
CN111967736A (zh) | 一种基于大数据平台的变电站倒负荷控制方法及系统 | |
CN114785672B (zh) | 基于故障标志物的云化网络业务故障预测方法 | |
CN115802013B (zh) | 基于智能照明的视频监控方法、装置、设备及存储介质 | |
CN117171176B (zh) | 一种基于人工智能的用电大数据自升级监管平台 | |
CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
CN116610535B (zh) | 一种机房运维监控数据处理方法及系统 | |
CN108491855B (zh) | 一种信号机故障识别方法 |
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 |