CN114814419A - 一种基于大数据的电力柜散热性能检测方法 - Google Patents

一种基于大数据的电力柜散热性能检测方法 Download PDF

Info

Publication number
CN114814419A
CN114814419A CN202210412833.3A CN202210412833A CN114814419A CN 114814419 A CN114814419 A CN 114814419A CN 202210412833 A CN202210412833 A CN 202210412833A CN 114814419 A CN114814419 A CN 114814419A
Authority
CN
China
Prior art keywords
internal
power cabinet
heat dissipation
electric power
external 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
Application number
CN202210412833.3A
Other languages
English (en)
Inventor
张将军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210412833.3A priority Critical patent/CN114814419A/zh
Publication of CN114814419A publication Critical patent/CN114814419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/002—Thermal testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Gas-Insulated Switchgears (AREA)

Abstract

本发明公开了一种基于大数据的电力柜散热性能检测方法，包括如下步骤：步骤1，根据电力柜内外温度，获取相同时间的电力柜内外温度差别，并分别获取各内外温度差别下，设定该时间时电力柜内部散热设备的工作电压和电流大小；步骤2、基于各内外温度差别下电力柜内部散热设备的工作电压和电流大小，计算各内外温度差别下电力柜使用时的散热性能；步骤3、根据各内外温度差别下的电力柜内部散热设备的工作电压大小以及电力柜使用散热性能，计算任意两个内外温度差别之间的关联关系。通过设备整体结构，对电力柜散热性能信息进行数据处理的监测方法，能够实时监测电力柜在使用时的散热性能，同时检测因素复杂，保证了检测结果的准确性。

Description

一种基于大数据的电力柜散热性能检测方法
技术领域
本发明涉及基于大数据的电力柜技术领域，具体地说，涉及一种基于大数据的电力柜散热性能检测方法。
背景技术
电力柜分动力电力柜和照明电力柜、计量柜，是配电系统的末级设备。电力柜是电动机控制中心的统称。电力柜使用在负荷比较分散、回路较少的场合；电动机控制中心用于负荷集中、回路较多的场合。它们把上一级配电设备某一电路的电能分配给就近的负荷，这级设备应对负荷提供保护、监视和控制。可是电力柜在使用时，电力柜的散热性能的好坏能够高效的改变电力柜内部温度，从而保证电力柜内部各个器件工作的稳定性，而对于电力柜散热性能的检测非常的麻烦，并且检测还不够准确，因此我们提出了一种基于大数据的电力柜散热性能检测方法。
发明内容
本发明的目的在于提供一种基于大数据的电力柜散热性能检测方法，本发明对电力柜散热性能信息进行数据处理的监测方法，能够实时监测电力柜在使用时的散热性能，同时检测因素复杂，保证了检测结果的准确性。
本发明公开的一种基于大数据的电力柜散热性能检测方法，包括如下步骤：
步骤1，根据电力柜内外温度，获取相同时间的电力柜内外温度差别，并分别获取各内外温度差别下，设定该时间时电力柜内部散热设备的工作电压和电流大小；
步骤2、基于各内外温度差别下电力柜内部散热设备的工作电压和电流大小，计算各内外温度差别下电力柜使用时的散热性能；
步骤3、根据各内外温度差别下的电力柜内部散热设备的工作电压大小以及电力柜使用散热性能，计算任意两个内外温度差别之间的关联关系，基于关联关系，对各个内外温度差别进行分类，得到多个类别；
步骤4、基于同一类别内各内外温度差别下的电力柜内部散热设备的工作电流大小，计算设定时间段内各内外温度差别下电力柜内部散热影响程度，进而得到设定时间段内电力柜内部散热影响程度序列；
步骤5、将电力柜内部散热影响程度序列输入预测网络中，输出下一时间段的预测散热影响程度序列,基于预测散热影响程度序列，得到电力柜使用散热性能监测结果。
作为优选方案，所述获取相同时间的电力柜内外温度差别方法为：将温度传感器安装在电力柜内外两侧，读取温度传感器上的温度数据，记录电力柜内侧温度与电力柜外侧温度的比值，得到内外温度差别，用公式表示为：
Figure BDA0003604496090000021
其中，A表示内外温度差别，b表示电力柜内侧温度，c表示电力柜外侧温度。
作为优选方案，所述计算各内外温度差别下电力柜使用时的散热性能的方法为：得到各内外温度差别下的电力柜内部散热设备的工作电压下性能指标，用公式表示为：
Figure BDA0003604496090000022
其中，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure BDA0003604496090000023
表示内外温度差别为A下第i个时刻电力柜内部散热设备的工作电压下性能，N为设定时间段内时刻的数量；
在不同内外温度差别下，计算设定时间段内各个时刻电力柜内部散热设备的工作电流信息的方差得到电力柜的内部散热设备的工作电流大小波动值J，根据电力柜内部散热设备的工作电压下性能指标和工作电流大小波动值J，得到各内外温度差别下的电力柜使用散热性能，用公式表示为：
Figure BDA0003604496090000031
其中，KA表示内外温度差别为A时电力柜使用散热性能，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure BDA0003604496090000032
表示内外温度差别为A时电力柜的内部散热设备的工作电流大小波动值。
作为优选方案，所述计算任意两个内外温度差别之间的关联关系的方法为：计算任意两内外温度差别下电力柜内部散热设备的工作电压大小的皮尔逊相关系数，计算任意两内外温度差别下的电力柜内部散热设备的工作电压大小差值的绝对值，计算任意两内外温度差别下各个时刻的电力柜内部散热设备的工作电压大小均值的差值，基于所述皮尔逊相关系数、差值的绝对值以及工作电压大小均值的差值，确定任意两个内外温度差别之间的关联关系，用公式表示为：
Figure BDA0003604496090000033
其中，P(A,A1)表示内外温度差别异为A和A1之间的关联关系，KA和KA1分别表示内外温度差别为A和A1时内外温度差别下的电力柜使用散热性能，两者的差值越大，关系越弱，差值越小，关系越强，HA和HA1分别表示内外温度差别异为A和A1时电力柜内部散热设备的工作电压大小序列。
Figure BDA0003604496090000034
表示两种序列的皮尔逊相关系数，
Figure BDA0003604496090000035
和
Figure BDA0003604496090000036
分别表示温度差别异为A和A1时电力柜内部散热设备的工作电压大小均值，两者的差值越大，关系越弱，差值越小，关系越强。
作为优选方案，所述得到多个类别的方法为：基于各内外温度差别之间的关联关系，计算各内外温度差别之间的样本距离Q，用公式表示为：
Q＝1/[1+P(A,A1)]
其中，Q表示内外温度差别为A和A1时的样本距离，两内外温度差别之间的关联关系越强，样本距离越近，关联关系越弱，样本距离越远。
基于关联关系，利用基于密度的聚类算法对各个内外温度差别进行分类，得到多个类别。
作为优选方案，所述预测网络的训练过程为：将当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列作为预测网络的训练数据，标签为输入当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列后第一个时间段内不同内外温度差别异下电力柜内部散热影响程度序列，进而将电力柜内部散热影响程度序列输入训练完成的预测网络中，输出下一时间段的预测散热影响程度序列，所述预测网络为循环神经网络，其中，将散热影响程度作为训练数据的质量分数，并归一化到相加为1，得到P＝{P1,…,Pi}
预测网络的损失函数为均方差损失函数，具体为：
Figure BDA0003604496090000041
其中，Pi为归一化后的质量分数，作为损失权重，
Figure BDA0003604496090000042
为预测样本，Ri为特征样本，M为常数。
作为优选方案，一种基于大数据的电力柜散热性能检测方法储于计算机构架的应用程序内部，通过烧录的程序进行驱动运行，其还包括总线架构、储存器和总线接口，总线架构可以包括任意数量的互联的总线和桥，总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起，总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，总线接口在总线架构和接收器和发送器之间提供接口，接收器和发送器可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
本发明公开的一种基于大数据的电力柜散热性能检测方法的有益效果是：
通过设备的整体结构，对电力柜散热性能信息进行数据处理的监测方法，本质上是基于复杂数学运算的、用于换算统计数据的监测方法，在此基础上计算电力柜散热性能，计算任意两个温度差别异之间的关联关系，并对数据进行统计分类处理。进而对得到的类别内信息进行分析，得到电力柜散热性能监测结果。本发明能够实时监测电力柜在使用时的散热性能，同时检测因素复杂，保证了检测结果的准确性。
附图说明
图1为本发明一种电力物资移动检测方法的一种实施例的流程示意图。
具体实施方式
下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
请参阅图1，本发明：一种基于大数据的电力柜散热性能检测方法，包括如下步骤：
步骤1、根据电力柜内外温度，获取相同时间的电力柜内外温度差别；并分别获取各内外温度差别下，设定该时间时电力柜内部散热设备的工作电压和电流大小。
具体地，将温度传感器安装在电力柜内外两侧，读取温度传感器上的温度数据，记录电力柜内侧温度与电力柜外侧温度的比值，得到内外温度差别，用公式表示为：
Figure BDA0003604496090000051
其中，A表示内外温度差别，b表示电力柜内侧温度，c表示电力柜外侧温度。
具体地，采用电流表和电压表监测电力柜内部散热设备的工作电压和电流大小，采集电力柜内部温度较高时的散热效率，且获取不同内外温度差别下，设定时间段内不同时刻电力柜内部散热设备的工作电压的大小和电流大小，构成电压大小序列D和电压大小序列E。
本方法中将时间段设定为5分钟，设定时间段对应的时刻设定为2秒；实施者可根据情况调整设定时间段和时刻对应的值。
需要说明的是，考虑到电力柜的放置一般是立式安装，则由于电力柜内部的空气一般冷空气会向下运动，热空气会向上运动，因此电力柜内部上部的温度一般会大于下部的温度，因此需要对电力柜的内腔上下侧的温度进行检测分析。
具体地，采用两个温度传感器安装在电力柜的内腔上下侧，采集相同时间时，两个温度传感器测量的温度数值，并且记录多个相同时刻电力柜内腔上下侧的上下温度差别，构成上下温度差别，这样电力柜内部的温度值采用上下温度的平均值即可。
步骤2、基于各内外温度差别下电力柜内部散热设备的工作电压和电流大小，计算各内外温度差别下电力柜使用散热性能。
具体地，在不同的内外温度差别下，将设定时间均匀划分为第一时间段与第二时间段，计算设定时间内第一时间段与第二时间段内所有时刻电力柜内部散热设备的工作电压和电流大小和的比值，得到各内外温度差别下的电力柜内部散热设备的工作电压下性能指标，用公式表示为：
Figure BDA0003604496090000061
其中，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure BDA0003604496090000062
表示内外温度差别为A下第i个时刻电力柜内部散热设备的工作电压下性能，N为设定时间段内时刻的数量。
需要说明的是，将设定时间段划分为第一时间段与第二时间段，实施者也可根据采集到的电力柜内部散热设备的工作电压信息，将工作电压信息变化较小的一段时间划分为第一时间段，将工作电压信息变变化较大的一段时间划分为第二时间段，或者其他合适的划分方法。
在不同内外温度差别下，计算设定时间段内各个时刻电力柜内部散热设备的工作电流信息的方差得到电力柜的内部散热设备的工作电流大小波动值J；根据电力柜内部散热设备的工作电压下性能指标和工作电流大小波动值J，得到各内外温度差别下的电力柜使用散热性能，用公式表示为：
Figure BDA0003604496090000071
其中，KA表示内外温度差别为A时电力柜使用散热性能，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure BDA0003604496090000072
表示内外温度差别为A时电力柜的内部散热设备的工作电流大小波动值。
步骤3、根据各内外温度差别下的电力柜内部散热设备的工作电压大小以及电力柜使用散热性能，计算任意两个内外温度差别之间的关联关系；基于关联关系，对各个内外温度差别进行分类，得到多个类别。
具体地，计算任意两内外温度差别下电力柜内部散热设备的工作电压大小的皮尔逊相关系数，计算任意两内外温度差别下的电力柜内部散热设备的工作电压大小差值的绝对值，计算任意两内外温度差别下各个时刻的电力柜内部散热设备的工作电压大小均值的差值，基于所述皮尔逊相关系数、差值的绝对值以及工作电压大小均值的差值，确定任意两个内外温度差别之间的关联关系，用公式表示为：
Figure BDA0003604496090000073
其中，P(A,A1)表示内外温度差别异为A和A1之间的关联关系，KA和KA1分别表示内外温度差别为A和A1时内外温度差别下的电力柜使用散热性能，两者的差值越大，关系越弱，差值越小，关系越强。HA和HA1分别表示内外温度差别异为A和A1时电力柜内部散热设备的工作电压大小序列。
Figure BDA0003604496090000074
表示两种序列的皮尔逊相关系数，
Figure BDA0003604496090000075
和
Figure BDA0003604496090000076
分别表示温度差别异为A和A1时电力柜内部散热设备的工作电压大小均值，两者的差值越大，关系越弱，差值越小，关系越强。
基于各内外温度差别之间的关联关系，计算各内外温度差别之间的样本距离Q，用公式表示为：
Q＝1/[1+P(A,A1)]
其中，Q表示内外温度差别为A和A1时的样本距离，两内外温度差别之间的关联关系越强，样本距离越近，关联关系越弱，样本距离越远。
基于关联关系，利用基于密度的聚类算法对各个内外温度差别进行分类，得到多个类别。具体地，设置一个搜索半径s，由搜索半径s确定搜索范围，进而确定分类结果。实施者可以根据实际情况调整搜索半径s的取值，也可根据实际情况选择合适的分类或聚类方法。
步骤4、基于同一类别内各内外温度差别下的电力柜内部散热设备的工作电流大小，计算设定时间段内各内外温度差别下电力柜内部散热影响程度；进而得到设定时间段内电力柜内部散热影响程度序列。
具体地，计算同一类别内各内外温度差别异下相邻时刻的电力柜内部散热设备的工作电流大小比值的均值，得到设定时间段内各内外温度差别下电力柜内部散热影响程度，所述电力柜内部散热设备的工作电流大小比值的均值越大，则散热影响程度就越大，并对所有的散热影响程度进行归一化处理，使其值域位于[0,1]之间。其中，同一类别内的内外温度差别相似或相等，一个内外温度差别下对应一段时间段不同时刻的电力柜内部散热设备的工作电压和工作电流大小，进而得到当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列。
步骤5、将电力柜内部散热影响程度序列输入预测网络中，输出下一时间段的预测散热影响程度序列；基于预测散热影响程度序列，得到电力柜使用散热性能监测结果。
具体地，预测网络的训练过程为：将当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列作为预测网络的训练数据，标签为输入当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列后第一个时间段内不同内外温度差别异下电力柜内部散热影响程度序列。进而将电力柜内部散热影响程度序列输入训练完成的预测网络中，输出下一时间段的预测散热影响程度序列。在本方法中，预测网络为循环神经网络。其中，将散热影响程度作为训练数据的质量分数，并归一化到相加为1，得到P＝{P1,…,Pi}
预测网络的损失函数为均方差损失函数，具体为：
Figure BDA0003604496090000091
其中，Pi为归一化后的质量分数，作为损失权重。
Figure BDA0003604496090000092
为预测样本，Ri为特征样本。目的是为了确保损失函数收敛，通过不断训练使损失函数变小，确保预测的精确性，M为常数。
需要说明的是，训练预测网络的意义是通过电力柜内部散热设备的工作电流大小的差异情况，可以利用预测网络预测后续时间段电力柜工作时内部散热。
由于电力柜工作时内部散热性会随着工作时间内部损耗而持续减小，呈下降状态，实施者根据实际情况设置一个散热影响程度阈值，当得到的预测散热影响程度大于设定阈值时，进行预警，提醒使用者对电力柜内部的散热装置进行维护，以保证散热性能维持在正常状态。
一种基于大数据的电力柜散热性能检测方法储于计算机构架的应用程序内部，通过烧录的程序进行驱动运行，其还包括总线架构、储存器和总线接口，总线架构可以包括任意数量的互联的总线和桥，总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起，总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，总线接口在总线架构和接收器和发送器之间提供接口，接收器和发送器可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品，该指令系统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设备上，使得在计算机或其他可编程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范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种基于大数据的电力柜散热性能检测方法，其特征在于：包括如下步骤：
步骤1，根据电力柜内外温度，获取相同时间的电力柜内外温度差别，并分别获取各内外温度差别下，设定该时间时电力柜内部散热设备的工作电压和电流大小；
步骤2、基于各内外温度差别下电力柜内部散热设备的工作电压和电流大小，计算各内外温度差别下电力柜使用散热性能；
步骤3、根据各内外温度差别下的电力柜内部散热设备的工作电压大小以及电力柜使用散热性能，计算任意两个内外温度差别之间的关联关系，基于关联关系，对各个内外温度差别进行分类，得到多个类别；
步骤4、基于同一类别内各内外温度差别下的电力柜内部散热设备的工作电流大小，计算设定时间段内各内外温度差别下电力柜内部散热影响程度，进而得到设定时间段内电力柜内部散热影响程度序列；
步骤5、将电力柜内部散热影响程度序列输入预测网络中，输出下一时间段的预测散热影响程度序列,基于预测散热影响程度序列，得到电力柜使用散热性能监测结果。
2.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于：所述获取相同时间的电力柜内外温度差别方法为：将温度传感器安装在电力柜内外两侧，读取温度传感器上的温度数据，记录电力柜内侧温度与电力柜外侧温度的比值，得到内外温度差别，用公式表示为：
Figure FDA0003604496080000011
其中，A表示内外温度差别，b表示电力柜内侧温度，c表示电力柜外侧温度。
3.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于：所述计算各内外温度差别下电力柜使用散热性能的方法为：得到各内外温度差别下的电力柜内部散热设备的工作电压下性能指标，用公式表示为：
Figure FDA0003604496080000021
其中，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure FDA0003604496080000022
表示内外温度差别为A下第i个时刻电力柜内部散热设备的工作电压下性能，N为设定时间段内时刻的数量；
在不同内外温度差别下，计算设定时间段内各个时刻电力柜内部散热设备的工作电流信息的方差得到电力柜的内部散热设备的工作电流大小波动值J，根据电力柜内部散热设备的工作电压下性能指标和工作电流大小波动值J，得到各内外温度差别下的电力柜使用散热性能，用公式表示为：
Figure FDA0003604496080000023
其中，KA表示内外温度差别为A时电力柜使用散热性能，FA表示内外温度差别异为A时电力柜内部散热设备的工作电压下性能指标，
Figure FDA0003604496080000025
表示内外温度差别为A时电力柜的内部散热设备的工作电流大小波动值。
4.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于：所述计算任意两个内外温度差别之间的关联关系的方法为：计算任意两内外温度差别下电力柜内部散热设备的工作电压大小的皮尔逊相关系数，计算任意两内外温度差别下的电力柜内部散热设备的工作电压大小差值的绝对值，计算任意两内外温度差别下各个时刻的电力柜内部散热设备的工作电压大小均值的差值，基于所述皮尔逊相关系数、差值的绝对值以及工作电压大小均值的差值，确定任意两个内外温度差别之间的关联关系，用公式表示为：
Figure FDA0003604496080000024
其中，P(A,A1)表示内外温度差别异为A和A1之间的关联关系，KA和KA1分别表示内外温度差别为A和A1时内外温度差别下的电力柜使用散热性能，两者的差值越大，关系越弱，差值越小，关系越强，HA和HA1分别表示内外温度差别异为A和A1时电力柜内部散热设备的工作电压大小序列。
Figure FDA0003604496080000031
表示两种序列的皮尔逊相关系数，
Figure FDA0003604496080000032
和
Figure FDA0003604496080000033
分别表示温度差别异为A和A1时电力柜内部散热设备的工作电压大小均值，两者的差值越大，关系越弱，差值越小，关系越强。
5.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于；所述得到多个类别的方法为：基于各内外温度差别之间的关联关系，计算各内外温度差别之间的样本距离Q，用公式表示为：
Q＝1/[1+P(A,A1)]
其中，Q表示内外温度差别为A和A1时的样本距离，两内外温度差别之间的关联关系越强，样本距离越近，关联关系越弱，样本距离越远。
基于关联关系，利用基于密度的聚类算法对各个内外温度差别进行分类，得到多个类别。
6.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于；所述预测网络的训练过程为：将当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列作为预测网络的训练数据，标签为输入当前设定时间段内不同内外温度差别下电力柜内部散热影响程度序列后第一个时间段内不同内外温度差别异下电力柜内部散热影响程度序列，进而将电力柜内部散热影响程度序列输入训练完成的预测网络中，输出下一时间段的预测散热影响程度序列，所述预测网络为循环神经网络，其中，将散热影响程度作为训练数据的质量分数，并归一化到相加为1，得到P＝{P1,…,Pi}
预测网络的损失函数为均方差损失函数，具体为：
Figure FDA0003604496080000034
其中，Pi为归一化后的质量分数，作为损失权重，
Figure FDA0003604496080000035
为预测样本，Ri为特征样本，M为常数。
7.根据权利要求1所述的一种基于大数据的电力柜散热性能检测方法，其特征在于；一种基于大数据的电力柜散热性能检测方法储于计算机构架的应用程序内部，通过烧录的程序进行驱动运行，其还包括总线架构、储存器和总线接口，总线架构可以包括任意数量的互联的总线和桥，总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起，总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，总线接口在总线架构和接收器和发送器之间提供接口，接收器和发送器可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
CN202210412833.3A 2022-04-19 2022-04-19 一种基于大数据的电力柜散热性能检测方法 Pending CN114814419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210412833.3A CN114814419A (zh) 2022-04-19 2022-04-19 一种基于大数据的电力柜散热性能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412833.3A CN114814419A (zh) 2022-04-19 2022-04-19 一种基于大数据的电力柜散热性能检测方法

Publications (1)

Publication Number Publication Date
CN114814419A true CN114814419A (zh) 2022-07-29

Family

ID=82506373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412833.3A Pending CN114814419A (zh) 2022-04-19 2022-04-19 一种基于大数据的电力柜散热性能检测方法

Country Status (1)

Country Link
CN (1) CN114814419A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116184099A (zh) * 2023-04-26 2023-05-30 深圳市百广源科技有限公司 一种新能源充电桩性能测试装置和测试方法
CN118567455A (zh) * 2024-07-31 2024-08-30 深圳市阿龙电子有限公司 一种电脑散热方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116184099A (zh) * 2023-04-26 2023-05-30 深圳市百广源科技有限公司 一种新能源充电桩性能测试装置和测试方法
CN118567455A (zh) * 2024-07-31 2024-08-30 深圳市阿龙电子有限公司 一种电脑散热方法及系统

Similar Documents

Publication Publication Date Title
US11092460B2 (en) Sensor control support apparatus, sensor control support method and non-transitory computer readable medium
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
CN109784528A (zh) 基于时间序列和支持向量回归的水质预测方法及装置
US20200234165A1 (en) Prediction method for aero-engine starting exhaust temperature
CN111179591B (zh) 一种路网交通时序特征数据质量诊断与修复方法
CN117289168B (zh) 基于传感器数据和智能算法的产品质量监测系统
CN114814419A (zh) 一种基于大数据的电力柜散热性能检测方法
CN107437112B (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
CN118134700A (zh) 一种桥梁结构综合智能养护决策方法及系统
CN116539285B (zh) 基于人工智能的光源检测方法、装置、设备及存储介质
CN112686124A (zh) 基于5g网络的电厂输煤皮带堆煤检测方法及装置
CN113358236B (zh) 一种提高温度测量精度的方法及装置
CN110455370A (zh) 防汛抗旱远程遥测显示系统
CN114547868A (zh) 一种基于bim的斜拉桥性能在线评估预测方法
CN115176255A (zh) 参数调整装置、推论装置、参数调整方法以及参数调整程序
CN118033525B (zh) 一种基于数据相关性的工业仪表故障检测方法
CN118378164B (zh) 一种车辆故障预测方法、装置、电子设备和存储介质
CN117216469B (zh) 一种电力系统实时监测与预测的大数据处理方法及系统
CN117912645B (zh) 一种基于物联网的血液保存全流程监管方法及系统
CN118094278B (zh) 一种基于电力应用场景差异的数据质检方法、装置及介质
CN117852229B (zh) 含新能源的配电网供电可靠性影响因素分析方法及系统
CN118296565B (zh) 基于数据挖掘的动力电池事故溯源管控系统
Hu et al. TOPOMA: Time-Series Orthogonal Projection Operator with Moving Average for Interpretable and Training-Free Anomaly Detection
CN118842734A (zh) 一种工业交换机故障预测与健康管理系统
CN118295363A (zh) 一种无人驾驶车辆电控部件故障监测与预警方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220729