CN114812833A - 一种配网开关温度在线监测与预测系统及方法 - Google Patents

Abstract

本发明涉及一种配网开关温度在线监测与预测系统及方法，系统包括依次连接的测温标签模块、监测主机模块和上位机平台模块，上位机平台模块还分别与云端数据库模块和移动监测平台模块连接；测温标签模块实时监测测温节点的温度，监测主机模块获取测温标签模块测得的实时温度数据并传输至上位机平台模块，其将实时温度数据处理后分别传输至云端数据库模块和移动监测平台模块；上位机平台模块包括神经网络单元，其根据历史温度数据预测温度。本发明的配网开关温度在线监测与预测系统及方法，通过神经网络单元可对温度进行预测，从而对配网开关潜在的安全隐患进行早期排查；通过移动监测平台模块可随时随地对各测温节点的温度进行监测，十分方便。

Description

一种配网开关温度在线监测与预测系统及方法

技术领域

本发明涉及配网开关安全检测领域，更具体地涉及一种配网开关温度在线监测与预测系统及方法。

背景技术

配网开关是开关柜的重要组成部分，其运行稳定性和维护效率直接关系到用户供电的可靠性和电网的安全运行。

由于工艺、现场安装、设备老化等原因，导致配网开关连接位置绝缘不良，造成配网开关温度上升，从而形成安全隐患。当开关长期工作在超温状态，将引发火灾甚至爆炸，给电力系统带来不稳定、不安全因素。

传统维护方式主要是维护人员定期进行测温，定期检测，浪费人力物力，而且存在时间差，无法实现实时检测。另外，如果开关存在安全隐患，无法提前安排检修，大大降低供电可靠性。

发明内容

本发明的目的在于提供一种配网开关温度在线监测与预测系统及方法，以对配网开关的温度进行实时监测，并利用监测的数据对配网开关温度进行预测。

本发明一方面提供一种配网开关温度在线监测与预测系统，包括依次连接的测温标签模块、监测主机模块和上位机平台模块，所述上位机平台模块还分别与一云端数据库模块和一移动监测平台模块连接；所述测温标签模块安装在配网开关的测温节点并实时监测所述测温节点的温度，所述监测主机模块获取所述测温标签模块测得的实时温度数据并传输至所述上位机平台模块，所述上位机平台模块将所述实时温度数据处理后分别传输至所述云端数据库模块和所述移动监测平台模块；所述上位机平台模块包括神经网络单元，设置为根据所述云端数据库模块中的历史温度数据预测至少一个预测时间点的预测温度。

进一步地，所述测温标签模块包括多个无源无线测温标签，所述无源无线测温标签内设置有温度传感器。

进一步地，所述监测主机模块包括采集单元和无线传输单元，所述采集单元连接所述测温标签模块，所述无线传输单元连接所述上位机平台模块。

进一步地，所述上位机平台模块还包括显示单元，所述显示单元设置为显示所述测温标签模块测得的实时温度数据。

进一步地，所述移动监测平台为手机或笔记本电脑。

进一步地，所述神经网络单元采用长短时记忆网络模型预测温度，并通过二进制编码的遗传算法优化所述长短时记忆网络模型。

进一步地，所述神经网络单元还设置为将在历史时刻得到的对于当前时刻的预测温度与当前时刻实际测量得到的实时温度数据进行对比，如果两者的误差大于预设阈值，则通过所述云端数据库模块中的所有数据重新训练长短时记忆网络模型，并满足预设精度要求。

进一步地，所述预设阈值为5％。

本发明另一方面提供一种配网开关温度在线监测与预测方法，包括以下步骤：

S1：各测温节点的测温标签模块读取配网开关各测温节点的实时温度数据后传输至监测主机模块，监测主机模块再将实时温度数据传输至上位机平台模块，上位机平台模块再将实时温度数据发送至云端数据库模块和移动监测平台模块；

S2：上位机平台模块中的神经网络单元从云端数据库模块中获取最近一周的历史温度数据；

S3：监测主机模块采集对应时刻的环境温度和配网开关母线电流；

S4：神经网络单元将最近一周的历史温度数据以及对应时刻的环境温度和配网开关母线电流作为三个特征作为长短时记忆网络模型的输入层，对长短时记忆网络模型进行训练，得到精度符合预设要求的长短时记忆网络模型；

S5：以当前时刻的实时温度数据、环境温度和配网开关母线电流作为输入，输出至少一个预测时间点的预测温度；

S6：确定是否存在历史时刻得到的对于当前时刻的预测温度，若存在，则神经网络单元将在历史时刻得到的对于当前时刻的预测温度与当前时刻测量到的实时温度数据进行对比，当两者误差大于预设阈值时，获取云端数据库模块内的所有数据并生产新的训练集和验证集，从而训练出新的长短时记忆网络模型，并采用新的长短时记忆网络模型进行温度预测。

进一步地，所述预设阈值为5％。

本发明的配网开关温度在线监测与预测系统，采用无线无源温度传感器和CT取源的监测主机模块，相比与一般的温度测量仪器，体积更小，且不依赖外部供电，方便安装而且不受配网开关负荷大小的影响；通过神经网络单元可对温度进行预测，从而对配网开关潜在的安全隐患进行早期排查；通过移动监测平台模块可随时随地对各测温节点的温度进行监测，十分方便。本发明的配网开关温度在线监测与预测方法，采用LSTM神经网络模型对温度进行预测，并利用二进制编码的遗传算法对神经网络进行优化，精度高，预测结果准确。

附图说明

图1为根据本发明实施例的配网开关温度在线监测与预测系统的结构框图；

图2为根据本发明另一实施例的配网开关温度在线监测与预测方法的流程图。

具体实施方式

下面结合附图，给出本发明的较佳实施例，并予以详细描述。

如图1所示，本发明实施例提供一种配网开关温度在线监测与预测系统，包括测温标签模块1、监测主机模块2、上位机平台模块3、云端数据库模块4和移动监测平台模块5，测温标签模块1、监测主机模块2和上位机平台模块3依次连接，上位机平台模块3还分别与云端数据库模块4和移动监测平台模块5连接。测温标签模块1包括多个无源无线测温标签，分别安装在配网开关需要监测温度的多个测温节点，无源无线测温标签内置有温度传感器，以对测温节点的温度进行实时监测，其无需电源即可工作，不受配网开关负荷大小影响，且安装方便；监测主机模块2包括采集单元21和无线传输单元22，所述采集单元21连接所述测温标签模块1，并采用CT(电流互感器)取源的方式对各测温节点的测温标签模块1进行多路扫描，从而采集各测温节点的实时温度数据，无线传输单元22连接所述上位机平台模块3，从而按照通信协议将实时温度数据发送至上位机平台模块3；上位机平台模块3包括显示单元31和神经网络单元32，上位机平台模块3设置为接收监测主机模块2发送的实时温度数据并进行相关处理，例如，将各测温节点的实时温度数据与预设温度进行对比，如果大于或等于预设温度，则判断为温度异常，如果小于预设温度，则判断为温度正常，然后将各侧温节点的实时温度数据及温度异常情况由显示单元31显示、发送至移动监测平台模块5以及上传至云端数据库模块4进行保存；神经网络单元32根据监测主机模块2发送的实时温度数据及云端数据库模块4中的历史温度数据进行训练学习，历史温度数据包括当前时刻前一周内的温度数据，其中每隔一个小时作为一个测温时间点，共有168个历史温度数据，通过这168个历史温度数据，对各个测温节点当前时刻未来24小时内的温度进行预测，同样每隔一个小时作为一个预测时间点，共预测得到24个预测温度(即输出至少一个预测时间点的预测温度)，同时将预测温度由显示单元31显示并发送至移动监测平台模块5；移动监测平台模块5可以为手机或笔记本电脑等，便于维护人员随身携带，其接收各测温节点的实时温度数据和预测温度数据，方便维护人员实时掌握配网开关工作状态并有计划提前安排检修，大大提高配网开关供电可靠性。

神经网络单元32采用长短时记忆网络LSTM来预测温度，其是一种改进后的循环神经网络，可以解决RNN无法学习长期依赖的问题。在本实施例中，通过经验调整LSTM中的层数参数和各层神经元参数，其中包括LSTM层和Dense层，同时结合现有技术遗传算法，通过对不同学习率，每轮样本数，卷积核个数，各层通道数等参数进行二进制编码，利用适应性函数比对训练出神经网络模型的准确率，从而得到训练当前LSTM神经网络模型的最佳参数。利用历史温度数据、测温节点环境温度和母线电流作为特征输入训练出高精度的LSTM模型，使其能准确预测出未来24小时内的温度数据。

神经网络单元32还设置为将在历史时刻得到的对于当前时刻的预测温度(即实时温度的预测值)与当前时刻实际测量得到的实时温度数据进行对比，当两者误差大于预设阈值(例如5％)时，其调用云端数据库模块4中的历史温度数据重新训练LSTM模型，从而得到精确的预测结果，若两者误差小于预设阈值，说明神经网络模型精度符合要求，继续用其预测未来的温度。

本发明实施例提供的配网开关温度在线监测与预测系统，采用无线无源温度传感器和CT取源的监测主机模块2，相比与一般的温度测量仪器，体积更小，且不依赖外部供电，方便安装而且不受配网开关负荷大小的影响；通过神经网络单元32可对温度进行预测，从而对配网开关潜在的安全隐患进行早期排查；通过移动监测平台模块5可随时随地对各测温节点的温度进行监测，十分方便。

如图2所示，本发明另一实施例提供一种配网开关温度在线监测与预测方法，包括以下步骤：

S1：监测主机模块2获取温度时，会向各测温节点的测温标签模块1发送射频信号，测温标签模块1内部电源电路将射频信号的电磁波能量转化为电能实现通信期间的测温与数据传输，再通过射频信号将实时温度数据传输至监测主机模块2，监测主机模块2再将实时温度数据传输至上位机平台模块3，上位机平台模块3再将实时温度数据发送至云端数据库模块4和移动监测平台模块5；

S2：上位机平台模块3中的神经网络单元32从云端数据库模块4中获取最近一周的历史温度数据；

S3：监测主机模块2中的采集单元21通过利用热敏电阻和电流互感器，读取对应时刻环境温度和配网开关母线电流；

S4：神经网络单元32将最近一周的历史温度数据以及对应时刻的环境温度和配网开关母线电流作为三个特征作为LSTM神经网络模型的输入层，对LSTM神经网络模型进行训练，得到精度符合预设要求的LSTM神经网络模型；

以每隔一个小时作为一个测温时间点，共得到一周内的168个历史温度数据、环境温度和配网开关母线电流，然后以这168组特征训练LSTM神经网络模型并使其满足精度要求。

S5：以当前时刻的实时温度数据、环境温度和配网开关母线电流作为输入，输出至少一个预测时间点的预测温度；

在本实施例中，预测时间点的预测温度的数量为多个，包括：以每隔一个小时作为一个预测时间点，未来24小时内的24个预测温度。

S6：确定是否存在历史时刻得到的对于当前时刻的预测温度，若存在，则神经网络单元32将在历史时刻得到的对于当前时刻的预测温度与当前时刻测量到的实时温度数据进行对比，当两者误差大于预设阈值(例如5％)时，获取云端数据库模块内的所有数据并生成新的训练集和验证集，从而训练出预测精度更高的新的神经网络替换旧的神经网络，采用预测精度更高的神经网络进行温度预测。

本发明实施例提供的配网开关温度在线监测与预测方法，采用LSTM神经网络模型对温度进行预测，并利用二进制编码的遗传算法对神经网络进行优化，精度高，预测结果准确，为配网开关潜在的安全隐患进行早期排查提供依据，进一步提高配网开关供电可靠性。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

Claims (10)

1.一种配网开关温度在线监测与预测系统，其特征在于，包括依次连接的测温标签模块、监测主机模块和上位机平台模块，所述上位机平台模块还分别与一云端数据库模块和一移动监测平台模块连接；所述测温标签模块安装在配网开关的测温节点并实时监测所述测温节点的温度，所述监测主机模块获取所述测温标签模块测得的实时温度数据并传输至所述上位机平台模块，所述上位机平台模块将所述实时温度数据处理后分别传输至所述云端数据库模块和所述移动监测平台模块；所述上位机平台模块包括神经网络单元，设置为根据所述云端数据库模块中的历史温度数据预测至少一个预测时间点的预测温度。

2.根据权利要求1所述的配网开关温度在线监测与预测系统，其特征在于，所述测温标签模块包括多个无源无线测温标签，所述无源无线测温标签内设置有温度传感器。

3.根据权利要求1所述的配网开关温度在线监测与预测系统，其特征在于，所述监测主机模块包括采集单元和无线传输单元，所述采集单元连接所述测温标签模块，所述无线传输单元连接所述上位机平台模块。

4.根据权利要求1所述的配网开关温度在线监测与预测系统，其特征在于，所述上位机平台模块还包括显示单元，所述显示单元设置为显示所述测温标签模块测得的实时温度数据。

5.根据权利要求1所述的配网开关温度在线监测与预测系统，其特征在于，所述移动监测平台为手机或笔记本电脑。

6.根据权利要求1所述的配网开关温度在线监测与预测系统，其特征在于，所述神经网络单元采用长短时记忆网络模型预测温度，并通过二进制编码的遗传算法优化所述长短时记忆网络模型。

7.根据权利要求6所述的配网开关温度在线监测与预测系统，其特征在于，所述神经网络单元还设置为将在历史时刻得到的对于当前时刻的预测温度与当前时刻实际测量得到的实时温度数据进行对比，如果两者的误差大于预设阈值，则通过所述云端数据库模块中的所有数据重新训练长短时记忆网络模型，并满足预设精度要求。

8.根据权利要求7所述的配网开关温度在线监测与预测系统，其特征在于，所述预设阈值为5％。

9.一种配网开关温度在线监测与预测方法，其特征在于，包括以下步骤：

S1：各测温节点的测温标签模块读取配网开关各测温节点的实时温度数据后传输至监测主机模块，监测主机模块再将实时温度数据传输至上位机平台模块，上位机平台模块再将实时温度数据发送至云端数据库模块和移动监测平台模块；

S2：上位机平台模块中的神经网络单元从云端数据库模块中获取最近一周的历史温度数据；

S3：监测主机模块采集对应时刻的环境温度和配网开关母线电流；

S4：神经网络单元将最近一周的历史温度数据以及对应时刻的环境温度和配网开关母线电流作为三个特征作为长短时记忆网络模型的输入层，对长短时记忆网络模型进行训练，得到精度符合预设要求的长短时记忆网络模型；

S5：以当前时刻的实时温度数据、环境温度和配网开关母线电流作为输入，输出至少一个预测时间点的预测温度；

S6：确定是否存在历史时刻得到的对于当前时刻的预测温度，若存在，则神经网络单元将在历史时刻得到的对于当前时刻的预测温度与当前时刻测量到的实时温度数据进行对比，当两者误差大于预设阈值时，获取云端数据库模块内的所有数据并生产新的训练集和验证集，从而训练出新的长短时记忆网络模型，并采用新的长短时记忆网络模型进行温度预测。

10.根据权利要求9所述的配网开关温度在线监测与预测方法，其特征在于，所述预设阈值为5％。

Images