CN115099676A - 火电储能系统的gis之中母线状态量检测方法 - Google Patents
火电储能系统的gis之中母线状态量检测方法 Download PDFInfo
- Publication number
- CN115099676A CN115099676A CN202210828076.8A CN202210828076A CN115099676A CN 115099676 A CN115099676 A CN 115099676A CN 202210828076 A CN202210828076 A CN 202210828076A CN 115099676 A CN115099676 A CN 115099676A
- Authority
- CN
- China
- Prior art keywords
- state quantity
- state
- detection result
- value
- detection
- 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 43
- 238000004146 energy storage Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 254
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 139
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 230000006378 damage Effects 0.000 claims description 22
- 230000015556 catabolic process Effects 0.000 claims description 21
- 238000006731 degradation reaction Methods 0.000 claims description 21
- 230000007797 corrosion Effects 0.000 claims description 19
- 238000005260 corrosion Methods 0.000 claims description 19
- 230000006866 deterioration Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000003973 paint Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 18
- 230000005856 abnormality Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 229910018503 SF6 Inorganic materials 0.000 description 8
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 8
- 229960000909 sulfur hexafluoride Drugs 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提出了一种火电储能系统的GIS之中母线状态量检测方法,该方法包括:获取GIS设备中母线的多个状态量,并获取每个状态量对应的预设判断条件;根据预设判断条件对对应的状态量进行检测,获得每个状态量对应的检测结果;根据检测结果计算对应的状态量的扣分值,将多个状态量对应的检测结果和多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练;将待检测的母线的状态量检测数据输入至训练完成的状态量评价模型,生成待检测母线的目标检测结果。该方法可以提高母线状态量检测的实时性、准确性和全面性,有利于及时排除GIS之中母线发生的异常,维护了GIS设备的正常运行。
Description
技术领域
本申请涉及电力系统技术领域,尤其涉及一种火电储能系统的GIS之中母线状态量检测方法。
背景技术
目前,在大规模的发电站中,比如,大装机容量的火力发电站中,通常需要设置GIS设备来缩小发电站的体积,实现小型化,因此GIS设备在高压和超高压领等领域被广泛应用。通常GIS设备为免维护设计,故障率较低,但GIS内部存在的一些缺陷,最初可能无害,也不容易发现,随着运行年限的延长,在多种因素的影响下,会造成故障的持续累计或发展,影响设备的安全运行。
其中,GIS设备包括母线,母线是GIS设备中的各个子设备以并列分支的形式接在其上的一条共用的通路。若母线发生故障将会严重影响GIS设备的正常运行,因此需要对母线的状态进行评价和检测。
相关技术中,通常是通过人工的方式对母线的各个参数和整体性能进行检测。然而,实际应用中,由于母线待检测的参数数量较多,上述检测方式得到的检测结果可能存在误差,无法对母线进行全面的检测,且检测过程较为复杂,检测效率较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种火电储能系统的GIS之中母线状态量检测方法,该方法可以提高GIS中母线状态量检测的实时性、准确性和全面性,降低母线运行过程中存在的风险,有利于保障GIS设备的稳定、安全的正常运行,并且,降低了检测的复杂程度,提高检测效率。
本申请的第二个目的在于提出一种火电储能系统的GIS之中母线状态量检测系统;
本申请的第三个目的在于提出一种电子设备。
为达上述目的,本申请的第一方面实施例在于提出一种火电储能系统的GIS之中母线状态量检测方法,该方法包括以下步骤:
获取GIS设备中母线的多个状态量,并获取每个所述状态量对应的预设判断条件;
根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果;
根据所述检测结果计算对应的状态量的扣分值,将所述多个状态量对应的检测结果和所述多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练,获得训练完成的状态量评价模型;
将待检测的母线的状态量检测数据输入至所述训练完成的状态量评价模型,生成所述待检测母线的目标检测结果。
另外,根据本申请上述实施例提出的火电储能系统的GIS之中母线状态量检测方法,还可以具有如下附加的技术特征:
可选地,在本申请的一个实施例中,检测结果包括所述状态量是否异常、所述状态量对应的异常状态和所述状态量对应的劣化程度,所述根据所述检测结果计算对应的状态量的扣分值,包括:根据所述劣化程度确定所述检测结果对应的基础扣分值,并获取所述状态量对应的影响因子,将所述基础扣分值乘以所述影响因子得到所述扣分值。
可选地,在本申请的一个实施例中,在所述获得每个所述状态量对应的检测结果之后,还包括:对于预先标定的状态量,根据所述预先标定的状态量的检测结果确定是否执行局部放电检测、红外检漏或分解产物测试。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,包括:当所述状态量为设备标牌状态时,若未识别出所述设备标牌上的设备标识,则确定所述检测结果为异常;当所述状态量为SF6压力表状态时,检测所述SF6压力表的外观和指示的压力值;在检测出所述SF6压力表的外观破损或存在渗漏油时,确定所述检测结果为第一异常状态;在检测出所述SF6压力表指示的压力值在预设的压力范围之外,确定所述检测结果为第二异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为接地连接状态时,检测所述接地连接的锈蚀状况和松动状况;在检测出所述接地连接存在锈蚀或油漆剥落时,确定所述检测结果为第三异常状态;在检测出接地引下线发生松动时,确定所述检测结果为第四异常状态;在检测出接地线脱落时,确定所述检测结果为第五异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为基础及支架状态时,检测所述基础的破损状况和下沉状况,并检测所述支架的锈蚀状况和松动状况;在检测出所述基础的破损程度超过预设的破损阈值时,确定所述检测结果为第六异常状态;在检测出所述基础的下沉程度大于第一下沉阈值且小于第二下沉阈值时,确定所述检测结果为第七异常状态;在检测出所述基础的下沉程度大于所述第二下沉阈值时,确定所述检测结果为第八异常状态;在检测出所述支架的锈蚀程度超过预设的锈蚀阈值时,确定所述检测结果为第九异常状态;在检测出所述支架发生松动或变形时,确定所述检测结果为第十异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为导电回路时,检测所述导电回路的电阻阻值,并计算所述导电回路的电阻阻值与所述导电回路的电阻出厂值的电阻增长值;在所述电阻增长值小于所述第一增长阈值时,确定所述识别结果为第十一异常状态;在所述电阻增长值大于等于所述第一增长阈值,且小于第二增长阈值时,确定所述识别结果为第十二异常状态;在所述电阻增长值大于等于所述第二增长阈值时,确定所述识别结果为第十三异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为SF6气体密度时,检测相邻两次补气操作之间的补气间隔时间;在所述补气间隔时间小于第一时间阈值且大于等于第二时间阈值时,确定所述检测结果为第十四异常状态;在所述补气间隔时间小于所述第二时间阈值且大于等于第三时间阈值时,确定所述检测结果为第十五异常状态;在所述补气间隔时间小于所述第三时间阈值时,确定所述检测结果为第十六异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为SF6气体湿度时,检测所述母线运行中的微水值;在所述微水值大于等于第一浓度阈值且小于第二浓度阈值时,确定所述检测结果为第十七异常状态;在所述微水值大于等于所述第二浓度阈值且小于第三浓度阈值时,进一步确定所述微水值的第一增长速度,在所述第一增长速度大于增长速度阈值时,确定所述检测结果为第十八异常状态;在所述微水值大于等于所述第三浓度阈值时,进一步确定所述微水值的第二增长速度,在所述第二增长速度大于所述增长速度阈值时,确定所述检测结果为第十九异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为SF6分解物时,检测H2S含量和SO2的含量;在H2S浓度值或者SO2浓度值大于第四浓度阈值且小于第五浓度阈值时,确定所述检测结果为第二十异常状态;在所述H2S浓度值或者所述SO2浓度值大于等于所述第五浓度阈值时,确定所述检测结果为第二十一异常状态。
可选地,在本申请的一个实施例中,根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:当所述状态量为局部放电时,检测所述局部放电时的特高频信号和超声波信号;将所述特高频信号与预设的放电检测图谱进行匹配,在所述特高频信号与所述预设的放电检测图谱不匹配时,确定所述检测结果为第二十二异常状态;在所述特高频信号存在目标局部放电的检测图谱时,确定所述检测结果为第二十三异常状态;在所述超声波信号存在所述目标局部放电的检测图谱时,进一步获取所述超声波信号的测量值,若所述测量值大于预设分贝值,则确定所述检测结果为第二十四异常状态。
为达上述目的,本申请的第二方面实施例还提出了一种火电储能系统的GIS之中母线状态量检测系统,包括以下模块:
获取模块,用于获取母线的多个状态量,并获取每个所述状态量对应的预设判断条件;
检测模块,用于根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果;
训练模块,用于根据所述检测结果计算对应的状态量的扣分值,将所述多个状态量对应的检测结果和所述多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练,获得训练完成的状态量评价模型;
生成模块,用于将待检测的母线的状态量检测数据输入至所述训练完成的状态量评价模型,生成所述待检测母线的目标检测结果。
为了实现上述实施例,本申请第三方面实施例还提出了一种电子设备,其上存储有计算机程序,包括存储器、处理器及存储在所述存储器上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,实现如上述实施例中任一项所述的火电储能系统的GIS之中母线状态量检测方法。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请可以提高GIS中母线状态量检测的实时性、准确性和全面性,降低母线运行过程中存在的风险,有利于保障GIS设备的稳定、安全的正常运行,并且,降低了检测的复杂程度,提高检测效率,避免了人工累计扣分值等步骤,可以快速、便捷的获取母线的整体检测结果和各个状态量的检测结果,减少了检测占用的人工成本。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提出的一种火电储能系统的GIS之中母线状态量检测方法的流程图;
图2为本申请实施例提出的一种火电储能系统的GIS之中母线状态量检测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图详细描述本发明实施例所提出的一种火电储能系统的GIS之中母线状态量检测方法和系统。
图1为本申请实施例提出的一种火电储能系统的GIS之中母线状态量检测方法的流程图,如图1所示,该方法包括以下步骤:
步骤S101,获取GIS设备中母线的多个状态量,并获取每个状态量对应的预设判断条件。
其中,气体绝缘开关(GasInsulatedSwitchgear,简称GIS)设备,将火电储能系统相关的一次设备经优化设计有机地组合成一个整体,火电储能系统即火力发电站的储能系统。GIS设备采用绝缘性能较佳的六氟化硫气体做绝缘和灭弧介质,所以能大幅度缩小变电站的体积,GIS之中可以包括:断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端、和进出线套管等子设备。
其中,母线的状态量是表示母线运行状态的参数,可以包括与母线的运行状态相关的工作参数以及母线中各部件的设备参数等。预设的判断条件是用于检测对应的状态量是否异常的检测方式和判断依据。由于母线需要检测的参数较多,因此,本申请获取多个状态量,并获取其中每个状态量对应的预设判断条件。
在本申请实施例中,根据实际检测目的、检测需要和不同GIS设备的差别等因素,选取母线的多个状态量进行检测,在确定状态量之后,再获取预先结合历史运行经验和专家知识等方式确定的各个状态量对应的判断条件。
举例而言,获取的母线的多个状态量可以包括:设备标牌状态、接地连接状态、六氟化硫(SF6)气体密度、SF6气体湿度、SF6分解物和局部放电参数等。
步骤S102,根据预设判断条件对对应的状态量进行检测,获得每个状态量对应的检测结果。
具体的,根据状态量是否满足对应的预设判断条件判断该状态量是否正常,以对各状态量进行检测,比如,在状态量满足预设条件时判断该状态量正常,在状态量不满足预设条件时判断该状态量异常。
可以理解的是,对于同一状态量,可能从不同的方面对其进行检测,比如,对于母线中的某一设备,可以检测该设备的连接状况、破损状况和运行数据等,并且,同一状态量的异常程度也可能不同,比如存在轻微异常和严重异常。因此,在本申请一个实施例中,根据预设判断条件对对应的状态量进行检测得到的检测结果,可以包括状态量是否异常、状态量对应的异常状态和状态量对应的劣化程度。其中,不同的异常状态表示不同的异常程度,本申请实施例中由劣化程度表示异常程度,一个异常状态可以对应一个或多个劣化程度。
为了更加清楚的描述本申请根据预设判断条件对对应的状态量进行检测,获得每个状态量对应的检测结果的具体实现过程,下面在一些实施例中进行示例性说明。
在本申请一个实施例中,当状态量为设备标牌状态时,若未识别出设备标牌上的设备标识,则确定检测结果为异常。在本示例中,母线上的设备标识在长期运行过程中由于油漆脱落或发生损坏等原因,可能存在不齐全或者模糊的情况,导致不能被识别出或者识别错误,因此需要对设备标识的完整性进行识别。具体实施时,可以通过人工比较的方式将当前的设备标识与初始的标识进行比较,或者,通过摄像装置采集设备标识的图像,再通过图像识别技术对采集的图像进行识别,确定是否可识别出设备标识或判断识别出的设备标识与初始的标识的匹配程度是否大于阈值,匹配程度较低时视为未识别出设备标识。进而若未识别出设备标牌上的设备标识,则确定检测结果为异常。
以及,当状态量为SF6压力表状态时,检测SF6压力表的外观和指示的压力值,在检测出SF6压力表的外观破损或存在渗漏油时,确定检测结果为第一异常状态,在检测出SF6压力表指示的压力值在预设的压力范围之外,确定检测结果为第二异常状态。
具体而言,对于SF6压力表状态,从压力表的外观和指示的压力值两个角度进行检测,若检测出外观存在破损或通过油量检测设备检测出压力表外壳上有渗漏油,则确定检测结果为第一异常状态,即第一异常状态是指SF6压力表外观破损或存在渗漏油的异常状态,后续对异常状态的解释可参照本示例,后续示例中均不再赘述。进一步的,检测SF6压力表指示的压力值是否在预设的压力范围之外,其中,预设的压力范围是预先确定的母线正常运行状态下的压力值范围,若压力表指示的压力值超出该范围则表示压力表指示异常,进而确定检测结果为第二异常状态。
需要说明的是,本申请在确定任一状态量异常后,可确定该异常的状态量对应的劣化程度,在本申请一个实施例中,劣化程度可以设置为四个级别,从低至高为由I至IV,每个异常的状态量对应的劣化程度可以预先结合历史经验知识和相关检测规章等方式确定,在检测出状态量异常后即可获取对应的劣化程度,比如,若检测出母线标识无法识别,则可确定该异常对应的劣化程度为Ⅱ。并且,由上述描述可知,同一状态量可具有多个异常状态,每个异常状态对应的劣化程度不同。比如,上述实施例中第一异常状态对应的劣化程度为Ⅲ,第二异常状态对应的劣化程度为Ⅳ。
在本申请一个实施例中,当状态量为接地连接状态时,检测接地连接的锈蚀状况和松动状况,在检测出接地连接存在锈蚀或油漆剥落时,确定检测结果为第三异常状态,在检测出接地引下线发生松动时,确定检测结果为第四异常状态,在检测出接地线脱落时,确定检测结果为第五异常状态。
具体而言,在通过自然电位法或电流密度法检测出接地连接有锈蚀,或观测出油漆剥落时,确定检测结果为第三异常状态。进一步的,对接地引下线进行检测,接地引下线是连接电气设备与接地体的金属导体,若检测出接地引下线发生松动确定检测结果为第四异常状态,若检测出接地引下线已脱落,即原本通过接地引下线连接的设备已与接地断开,则确定检测结果为第五异常状态。其中,第三异常状态至第五异常状态对应的劣化程度逐渐增大,比如,分别对应由Ⅱ至Ⅳ。
在本申请一个实施例中,当状态量为基础及支架状态时,检测基础的破损状况和下沉状况,并检测支架的锈蚀状况和松动状况;在检测出基础的破损程度超过预设的破损阈值时,确定检测结果为第六异常状态;在检测出基础的下沉程度大于第一下沉阈值且小于第二下沉阈值时,确定检测结果为第七异常状态;在检测出基础的下沉程度大于第二下沉阈值时,确定检测结果为第八异常状态;在检测出支架的锈蚀程度超过预设的锈蚀阈值时,确定检测结果为第九异常状态;在检测出支架发生松动或变形时,确定检测结果为第十异常状态。
具体而言,基础和支架是用于支撑、固定母线的部件,对母线的破损状况进行检测时,可以通过计算机图像处理技术等多种方式对基础的破损程度进行检测,作为其中一种可能的实现方式,通过图像处理技术进行检测时,先采集母线的基础的图像,对图像进行滤波等预处理后,通过边缘检测算子对基础的边缘进行检测,寻找基础表面是否存在破损现象,并确定破损程度。再将检测出的破损状况与预设的破损阈值进行比较,破损阈值是预设的允许的最大破损度,当检测出的破损状况大于破损阈值时,表明基础有严重破损或开裂。
然后,对基础的下沉程度进行检测,第一下沉阈值和第二下沉阈值是区分下沉严重性的阈值,若下沉程度大于第一下沉阈值但小于第二下沉阈值,表明基础有轻微下沉或倾斜,进而确定检测结果为第七异常状态,若检测出的下沉程度大于第二下沉阈值,表明基础存在严重下沉或倾斜,影响设备安全运行,进而确定检测结果为第八异常状态。然后,对支架的锈蚀状况和松动状况进行检测,具体进行锈蚀检测时,可以通过自然电位法或电流密度法检测支架的锈蚀状况,在检测出支架的锈蚀程度超过预设的锈蚀阈值时,表明支架存在严重的锈蚀,进而确定检测结果为第九异常状态。
需要说明的是,在本申请实施例中,如锈蚀阈值等预先设置的参数阈值,均可以预先结合GIS设备运行的需求和历史经验知识等方式确定,在后续实施例中均在不再赘述。
在本申请一个实施例中,当状态量为导电回路时,检测导电回路的电阻阻值,并计算导电回路的电阻阻值与导电回路的电阻出厂值的电阻增长值;在电阻增长值小于第一增长阈值时,确定识别结果为第十一异常状态;在电阻增长值大于等于第一增长阈值,且小于第二增长阈值时,确定识别结果为第十二异常状态;在电阻增长值大于等于第二增长阈值时,确定识别结果为第十三异常状态。
举例而言,具体测量导电回路电阻值的方式可以按GB/T 7674规定执行,并假设第一增长阈值为20%,第二增长阈值为50%。当状态量为导电回路时,检测导电回路的电阻阻值,并计算该电阻阻值与导电回路电阻的出厂值之间电阻增长值。若计算出电阻增长值为15%,则确定识别结果为第十一异常状态;若计算出电阻增长值为45%,则确定识别结果为第十二异常状态;若计算出电阻增长值为75%,则确定识别结果为第十三异常状态。
在本申请一个实施例中,当状态量为SF6气体密度时,检测相邻两次补气操作之间的补气间隔时间,在补气间隔时间小于第一时间阈值且大于等于第二时间阈值时,确定检测结果为第十四异常状态;在补气间隔时间小于第二时间阈值且大于等于第三时间阈值时,确定检测结果为第十五异常状态;在补气间隔时间小于第三时间阈值时,确定检测结果为第十六异常状态。
举例而言,通过调取数据库中存储的补气操作的记录数据,或者对不同时间段下的气体密度进行检测并获取记录的数据等多种方式,对每两次补气操作之间的补气间隔时间进行检测。在本示例中,假设第一时间阈值为两年,第二时间阈值为一年,第三时间阈值为半年,根据获取补气间隔时间,当间隔时间不小于一年且小于两年,可以确定识别结果为第十四异常状态,当该间隔时间不小于半年且小于一年,可以确定识别结果为第十五异常状态,当该间隔时间小于半年,可以确定识别结果为第十六异常状态。
需要说明的是,在本示例中,第十四异常状态至第十六异常状态对应的劣化程度逐渐增大,并且由于补气间隔时间较长,可在同一异常状态下根据实际的间隔时间进行进一步划分,确定劣化程度,即本示例中一个异常状态可以对应多个劣化程度。比如,对于第十四异常状态,劣化程度可以为I至Ⅱ,其中,当两次补齐间隔在一年半至两年的区间时,劣化程度为I,当两次补齐间隔在一年至一年半的区间时,劣化程度为Ⅱ。
在本申请一个实施例中,当状态量为SF6气体湿度时,检测母线运行中的微水值,在微水值大于等于第一浓度阈值且小于第二浓度阈值时,确定检测结果为第十七异常状态;在微水值大于等于第二浓度阈值且小于第三浓度阈值时,进一步确定微水值的第一增长速度,在第一增长速度大于增长速度阈值时,确定检测结果为第十八异常状态;在微水值大于等于第三浓度阈值时,进一步确定微水值的第二增长速度,在第二增长速度大于增长速度阈值时,确定检测结果为第十九异常状态。
举例而言,假设第一浓度阈值为300μL/L,第二浓度阈值为500μL/L,第三浓度阈值为800μL/L,以及,增长速度阈值设置为15%。根据检测的微水值浓度,当微水值浓度大于300μL/L且小于500μL/L,可以确定识别结果为第十七异常状态,当微水值浓度大于500μL/L且小于800μL/L,进一步确定在母线运行期间,微水值浓度的增长速度,通过比较不同时刻下微水值浓度确定微水值浓度的增长速度为20%时,由于第一增长速度大于增长速度阈值,则可以确定识别结果为第十八异常状态。当该微水值浓度大于800μL/L,并且按照上述方式确定微水值浓度的增长幅度为30%,大于增长速度阈值时,可以确定识别结果为第十九异常状态。
在本申请一个实施例中,当状态量为SF6分解物时,检测H2S含量和SO2的含量;在H2S浓度值或者SO2浓度值大于第四浓度阈值且小于第五浓度阈值时,确定检测结果为第二十异常状态;在H2S浓度值或者SO2浓度值大于等于第五浓度阈值时,确定检测结果为第二十一异常状态。
举例而言,在本实施例中对H2S含量和SO2的含量分别进行检测,假设第四浓度阈值为1μL/L,第五浓度阈值为2μL/L。通过气体浓度检测设备检测出H2S浓度值或者SO2浓度值不小于1μL/L,但小于2μL/L时,确定检测结果为第二十异常状态,其中,H2S浓度值不小于1μL/L,但小于2μL/L时的劣化程度为Ⅲ至Ⅳ,SO2浓度值不小于1μL/L,但小于2μL/L时的劣化程度为Ⅱ至Ⅲ。当检测出H2S浓度值或者SO2浓度值不小于2μL/L时,确定检测结果为第二十一异常状态,其中,H2S浓度值不小于2μL/L时的劣化程度为Ⅳ,SO2浓度值不小于2μL/L时的劣化程度为Ⅲ。
在本申请一个实施例中,当状态量为局部放电时,检测局部放电时的特高频信号和超声波信号;将特高频信号与预设的放电检测图谱进行匹配,在特高频信号与预设的放电检测图谱不匹配时,确定检测结果为第二十二异常状态;在特高频信号存在目标局部放电的检测图谱时,确定检测结果为第二十三异常状态;在超声波信号存在目标局部放电的检测图谱时,进一步获取超声波信号的测量值,若测量值大于预设分贝值,则确定检测结果为第二十四异常状态
举例而言,在本实施例中对特高频信号和超声波信号分别进行检测,预设的放电检测图谱是在同等条件下同类设备检测的图谱,目标局部放电的检测图谱是本领域中典型的局部放电的检测图谱。在本示例中,在检测出特高频信号与预设的放电检测图谱不匹配时,即与同等条件下同类设备检测的图谱存在明显区别,比如,图谱中数据的差值过大时,确定检测结果为第二十二异常状态;在检测出特高频信号具有典型局部放电的检测图谱时,确定检测结果为第二十三异常状态;在检测出超声波信号存在典型局部放电的检测图谱并且超声波信号的测量值大于预设分贝值,比如,大于10dB时,确定检测结果为第二十四异常状态,本示例中的预设分贝值可以预先结合大量实验和历史经验知识确定。
需要说明的是,除了对上述实施例中的GIS之中母线的状态量进行检测之外,在本发明的其他实施例中还可以对母线的其它状态量进行检测,以提高检测的全面性。下面继续参照一些示例详细说明状态量检测和异常状态的识别:
作为第一种示例,当状态量为设备外壳工作状态时,若检测出设备外壳是否发生锈蚀或变形,则确定检测结果为异常。
作为第二种示例,当状态量为已发布的家族缺陷或者同厂家的设备故障信息或同型号设备故障信息或者同时期设备的故障信息时,检测是否对母线的故障信息进行整改,当检测出一般缺陷未整改时,则确定检测结果为第二十五异常状态,当检测出重大缺陷未整改时,则确定确定检测结果为第二十六异常状态,其中,第二十五异常状态对应的劣化程度为Ⅱ,第二十六异常状态对应的劣化程度为Ⅳ。
作为第三种示例,当状态量为SF6气体密度继电器状态时,可以参照SF6压力表状态的检测方式进行检测,并且,还可以进一步检测密度继电器的安装位置,若检测出户外安装的密度继电器未设置防雨罩,则确定检测结果为异常。
由此,本申请根据预设判断条件对多个状态量进行了检测,并获得每个状态量对应的检测结果。
基于上述检测实施例,为了进一步提高状态量检测的准确性,以及根据检测结果确定异常原因,从而便于后续排除异常,充分保证GIS的安全运行,在本申请一个实施例中,在获得每个所述状态量对应的检测结果之后,还包括:对于预先标定的状态量,根据预先标定的状态量的检测结果确定是否执行局部放电检测、红外检漏或分解产物测试。
在本实施例中,预先标定的状态量是预先确定的在发生异常时需要进一步检测的状态量。举例而言,对于SF6压力表,当检测出压力表指示异常时,应确认压力表指示异常的原因,如非表计原因,需进行红外检漏,查找漏气地点;对于SF6气体密度,当检测出补气间隔时间异常时应进行红外检漏;对于SF6分解物,当检测到异常分解产物时应进行局部放电检测;对于局部放电,当测量到明显局部放电信号时应进行分解产物测试,后续的扣分取分解产物与局部放电两者最大值。由此,通过局部放电检测或红外检漏,进一步确定异常的位置和异常的原因等,有利于后续排除异常。
步骤S103,根据检测结果计算对应的状态量的扣分值,将多个状态量对应的检测结果和多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练,获得训练完成的状态量评价模型。
其中,为了实现对GIS母线的状态量进行评价,对不同的检测结果计算对应的扣分值,扣分值可以反映异常的严重程度和对母线的影响程度,扣分值越高表示对母线的危害越大。
在本申请一个实施例中,根据检测结果计算对应的状态量的扣分值,包括:根据劣化程度确定检测结果对应的基础扣分值,并获取发生异常的该状态量对应的影响因子,将基础扣分值乘以影响因子得到扣分值。
具体而言,基础扣分值与劣化程度具有映射关系,该映射关系预先确定,在确定检测结果中的劣化程度后,可直接获取对应的基础扣分值。举例而言,劣化程度I至Ⅳ对应的基础扣分值依次为2、4、8和10。
其中,影响因子可近似视为该状态量影响母线状态的权重,可以理解,不同的状态量对母线状态评价的影响是不同的,比如,压力表指示异常的危害性大于设备标牌模糊,因此,本申请预先对每个状态量设置了对应的影响因子,在检测出该状态量异常后,根据检测确定的劣化程度确定对应的基础扣分值,并获取该状态量对应的影响因子,将基础扣分值乘以影响因子得到扣分值。
需要说明的是,通过情况下一个状态量对应一个影响因子,而对于某些状态量可根据其他条件确定不同的影响因子,比如,上述基础及支架状态量,可以根据实际的GIS设备的额定电压等级确定影响因子,比如,额定电压等级为750kV该项影响因子为2,其余电压等级影响因子为1。并且,同时有H2S与SO2时扣分取最大值。检测到异常分解产物时应进行局部放电检测,若检测到局部放电信号,扣分取分解产物与局部放电两者最大值。以及,同时有超声与特高频信号时扣分取最大值。
进一步的,将获取的多个状态量对应的检测结果和对应的扣分值作为训练数据,对预先设置的状态量评价模型进行训练。其中,预先设置的状态量评价模型可以是各种类型的神经网络模型,即,本申请基于人工智能技术,通过训练完成的神经网络模型生成母线状态量的评价结果。其中,预置的状态量检测模型的类型可以根据实际需要设置,比如,选择长短期记忆人工神经网络(Long Short-Term Memory,简称LSTM)模型作为状态量评价模型。
具体实施时,作为一种可能的实现方式,将检测出的每个状态量对应的检测结果和对应的扣分值作为训练数据,按照预设比例划分为训练集、验证集和测试集后,通过训练集中的训练数据对模型进行训练,具体训练过程可以参照相关技术中的神经网络模型的训练方法,包括对数据进行二值化、平滑和滤波等各种预处理后,然后对处理后的数据进行特征抽取和选择,训练状态量检测模型中各层参数的权重,比如,根据各状态量的影响因子和各异常状态对应的劣化程度确定状态量评价模型中对各状态量评价的权重。并通过定义损失函数并利用梯度下降法训练状态量检测模型。在训练完成后还可以通过测试集中的数据对模型进行测试,验证其预测精度是否符合需求。
步骤S104,将待检测的母线的状态量检测数据输入至训练完成的状态量评价模型,生成待检测母线的目标检测结果。
其中,目标检测结果包括GIS之中母线的整体检测结果,整体检测结果可以包括扣除异常状态量对应的扣分值后,母线对应的最终分数,以及最终分数所属的评价等级。目标检测结果还可以包括母线每个状态量的扣分值和评价结果。
具体的,在训练完成状态量评价模型后,实际进行检测时,将当前待检测的母线的状态量检测数据输入至训练完成的状态量评价模型,其中,状态量检测数据可以是各个状态量的检测结果数据,也可以是状态量的实际检测数数值,将实际检测数数值输入状态量评价模型,由评价模型基于判断条件检测状态量是否异常。然后状态量评价模型对输入的数据进行检测和评价并输出当前待检测的母线的目标检测结果。在本申请一个实施例中,状态量评价模型可以输出针对母线的评价表,评价表中包括当前母线的最终分数和评价等级,并在后续列出每一项状态量的扣分值和评价结果。
举例而言,将满分100分后扣除多个异常状态量对应的扣分值后,剩余85分,该分数是母线的整体评价分数,该分数可反映GIS之中母线的状态。并且,状态量评价模型在训练时,结合历史运行经验预先确定评价分数对应的评价等级,比如,90分至100分为优秀,70至90为良好等,进而根据整体评价分数确定评价等级。并在评价表的评价细节部分汇总列出每个状态量的检测结果,包括扣分值和评价值。
综上所述,本申请实施例的火电储能系统的GIS之中母线状态量检测方法,该方法从整体和具体细节两个角度对母线状态量进行检测,通过训练完成的状态量评价模型可以更加快速、便捷的生成母线的整体检测结果,并汇总每个状态量的检测结果,提高母线状态量检测的实时性、准确性和全面性,并减少检测所需的人工成本,避免了人工累计扣分值等步骤,从而降低了检测的复杂程度,提高检测效率,便于及时对母线进行维护,减少母线在运行过程中存在的潜在风险,有利于保障GIS设备的正常运行。
为了实现上述实施例,本申请还提出了一种火电储能系统的GIS之中母线状态量检测系统,图2为本申请实施例提出的一种火电储能系统的GIS之中母线状态量检测系统的结构示意图,如图2所示,该系统包括获取模块100、检测模块200、训练模块300和生成模块400。
其中,获取模块100,用于获取母线的多个状态量,并获取每个状态量对应的预设判断条件。
检测模块200,用于根据预设判断条件对对应的状态量进行检测,获得每个状态量对应的检测结果。
训练模块300,用于根据检测结果计算对应的状态量的扣分值,将多个状态量对应的检测结果和多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练,获得训练完成的状态量评价模型。
生成模块400,用于将待检测的母线的状态量检测数据输入至训练完成的状态量评价模型,生成待检测母线的目标检测结果。
可选地,在本申请的一个实施例中,检测结果包括状态量是否异常、状态量对应的异常状态和状态量对应的劣化程度,训练模块300具体用于:根据劣化程度确定检测结果对应的基础扣分值,并获取状态量对应的影响因子,将基础扣分值乘以影响因子得到扣分值。
可选地,在本申请的一个实施例中,检测模块200还用于:对于预先标定的状态量,根据预先标定的状态量的检测结果确定是否执行局部放电检测、红外检漏或分解产物测试。
需要说明的是,前述对火电储能系统的GIS之中母线状态量检测方法的实施例的解释说明也适用于该实施例的系统,此处不再赘述
综上所述,本申请实施例的火电储能系统的GIS之中母线状态量检测系统,从整体和具体细节两个角度对母线状态量进行检测,通过训练完成的状态量评价模型可以更加快速、便捷的生成母线的整体检测结果,并汇总每个状态量的检测结果,提高母线状态量检测的准确性、全面性和检测效率,并减少检测所需的人工成本,便于及时对母线进行维护,减少母线在运行过程中存在的潜在风险,有利于保障GIS设备的正常运行。
为了实现上述实施例,本申请还提出了一种电子设备,该电子设备包括存储器、处理器及存储在所述存储器上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,实现如上述实施例中任一项所述的火电储能系统的GIS之中母线状态量检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种火电储能系统的GIS之中母线状态量检测方法,其特征在于,包括以下步骤:
获取GIS设备中母线的多个状态量,并获取每个所述状态量对应的预设判断条件;
根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果;
根据所述检测结果计算对应的状态量的扣分值,将所述多个状态量对应的检测结果和所述多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量评价模型进行训练,获得训练完成的状态量评价模型;
将待检测的母线的状态量检测数据输入至所述训练完成的状态量评价模型,生成所述待检测母线的目标检测结果。
2.根据权利要求1所述的检测方法,其特征在于,所述检测结果包括所述状态量是否异常、所述状态量对应的异常状态和所述状态量对应的劣化程度,所述根据所述检测结果计算对应的状态量的扣分值,包括:
根据所述劣化程度确定所述检测结果对应的基础扣分值,并获取所述状态量对应的影响因子,将所述基础扣分值乘以所述影响因子得到所述扣分值。
3.根据权利要求1或2所述的检测方法,其特征在于,在所述获得每个所述状态量对应的检测结果之后,还包括:
对于预先标定的状态量,根据所述预先标定的状态量的检测结果确定是否执行局部放电检测、红外检漏或分解产物测试。
4.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,包括:
当所述状态量为设备标牌状态时,若未识别出所述设备标牌上的设备标识,则确定所述检测结果为异常;
当所述状态量为SF6压力表状态时,检测所述SF6压力表的外观和指示的压力值;
在检测出所述SF6压力表的外观破损或存在渗漏油时,确定所述检测结果为第一异常状态;
在检测出所述SF6压力表指示的压力值在预设的压力范围之外,确定所述检测结果为第二异常状态。
5.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为接地连接状态时,检测所述接地连接的锈蚀状况和松动状况;
在检测出所述接地连接存在锈蚀或油漆剥落时,确定所述检测结果为第三异常状态;
在检测出接地引下线发生松动时,确定所述检测结果为第四异常状态;
在检测出接地线脱落时,确定所述检测结果为第五异常状态。
6.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为基础及支架状态时,检测所述基础的破损状况和下沉状况,并检测所述支架的锈蚀状况和松动状况;
在检测出所述基础的破损程度超过预设的破损阈值时,确定所述检测结果为第六异常状态;
在检测出所述基础的下沉程度大于第一下沉阈值且小于第二下沉阈值时,确定所述检测结果为第七异常状态;
在检测出所述基础的下沉程度大于所述第二下沉阈值时,确定所述检测结果为第八异常状态;
在检测出所述支架的锈蚀程度超过预设的锈蚀阈值时,确定所述检测结果为第九异常状态;
在检测出所述支架发生松动或变形时,确定所述检测结果为第十异常状态。
7.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为导电回路时,检测所述导电回路的电阻阻值,并计算所述导电回路的电阻阻值与所述导电回路的电阻出厂值的电阻增长值;
在所述电阻增长值小于所述第一增长阈值时,确定所述识别结果为第十一异常状态;
在所述电阻增长值大于等于所述第一增长阈值,且小于第二增长阈值时,确定所述识别结果为第十二异常状态;
在所述电阻增长值大于等于所述第二增长阈值时,确定所述识别结果为第十三异常状态。
8.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为SF6气体密度时,检测相邻两次补气操作之间的补气间隔时间;
在所述补气间隔时间小于第一时间阈值且大于等于第二时间阈值时,确定所述检测结果为第十四异常状态;
在所述补气间隔时间小于所述第二时间阈值且大于等于第三时间阈值时,确定所述检测结果为第十五异常状态;
在所述补气间隔时间小于所述第三时间阈值时,确定所述检测结果为第十六异常状态。
9.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为SF6气体湿度时,检测所述母线运行中的微水值;
在所述微水值大于等于第一浓度阈值且小于第二浓度阈值时,确定所述检测结果为第十七异常状态;
在所述微水值大于等于所述第二浓度阈值且小于第三浓度阈值时,进一步确定所述微水值的第一增长速度,在所述第一增长速度大于增长速度阈值时,确定所述检测结果为第十八异常状态;
在所述微水值大于等于所述第三浓度阈值时,进一步确定所述微水值的第二增长速度,在所述第二增长速度大于所述增长速度阈值时,确定所述检测结果为第十九异常状态。
10.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为SF6分解物时,检测H2S含量和SO2的含量;
在H2S浓度值或者SO2浓度值大于第四浓度阈值且小于第五浓度阈值时,确定所述检测结果为第二十异常状态;
在所述H2S浓度值或者所述SO2浓度值大于等于所述第五浓度阈值时,确定所述检测结果为第二十一异常状态。
11.根据权利要求1所述的检测方法,其特征在于,所述根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果,还包括:
当所述状态量为局部放电时,检测所述局部放电时的特高频信号和超声波信号;
将所述特高频信号与预设的放电检测图谱进行匹配,在所述特高频信号与所述预设的放电检测图谱不匹配时,确定所述检测结果为第二十二异常状态;
在所述特高频信号存在目标局部放电的检测图谱时,确定所述检测结果为第二十三异常状态;
在所述超声波信号存在所述目标局部放电的检测图谱时,进一步获取所述超声波信号的测量值,若所述测量值大于预设分贝值,则确定所述检测结果为第二十四异常状态。
12.一种火电储能系统的GIS之中母线状态量检测系统,其特征在于,包括:
获取模块,用于获取母线的多个状态量,并获取每个所述状态量对应的预设判断条件;
检测模块,用于根据所述预设判断条件对对应的状态量进行检测,获得每个所述状态量对应的检测结果;
训练模块,用于根据所述检测结果计算对应的状态量的扣分值,将所述多个状态量对应的检测结果和所述多个状态量对应的扣分值作为训练数据,对预先设置的基于人工智能的状态量检测模型进行训练,获得训练完成的状态量检测模型;
生成模块,用于将待检测的母线的状态量检测数据输入至所述训练完成的状态量评价模型,生成所述待检测母线的目标检测结果。
13.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上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,实现如权利要求1-11中任一项所述的火电储能系统的GIS之中母线状态量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210828076.8A CN115099676A (zh) | 2022-07-14 | 2022-07-14 | 火电储能系统的gis之中母线状态量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210828076.8A CN115099676A (zh) | 2022-07-14 | 2022-07-14 | 火电储能系统的gis之中母线状态量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099676A true CN115099676A (zh) | 2022-09-23 |
Family
ID=83297683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210828076.8A Pending CN115099676A (zh) | 2022-07-14 | 2022-07-14 | 火电储能系统的gis之中母线状态量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099676A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104316803A (zh) * | 2014-11-04 | 2015-01-28 | 国家电网公司 | 一种基于带电检测的电力变压器状态评价方法及系统 |
CN105738785A (zh) * | 2016-03-31 | 2016-07-06 | 国网浙江省电力公司电力科学研究院 | 基于多源数据的交流特高压gis的状态评价方法和装置 |
CN108872807A (zh) * | 2018-06-05 | 2018-11-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于多源数据的高压交流gis的状态评价方法及系统 |
WO2021139235A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 系统异常检测方法、装置、设备及存储介质 |
-
2022
- 2022-07-14 CN CN202210828076.8A patent/CN115099676A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104316803A (zh) * | 2014-11-04 | 2015-01-28 | 国家电网公司 | 一种基于带电检测的电力变压器状态评价方法及系统 |
CN105738785A (zh) * | 2016-03-31 | 2016-07-06 | 国网浙江省电力公司电力科学研究院 | 基于多源数据的交流特高压gis的状态评价方法和装置 |
CN108872807A (zh) * | 2018-06-05 | 2018-11-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于多源数据的高压交流gis的状态评价方法及系统 |
WO2021139235A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 系统异常检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298379B (zh) | 一种基于数据监测的智能电表现场误差异常的识别方法 | |
CN115236580A (zh) | 火电储能系统的gis之中电流互感器状态量检测方法 | |
CN109655713B (zh) | 一种单相接地故障定位方法和系统 | |
CN110647924B (zh) | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 | |
CN112083371A (zh) | 一种基于lof的异常高压计量点筛查方法及系统 | |
CN113805010A (zh) | 一种配电网单相接地故障的研判方法及系统 | |
CN117691645A (zh) | 一种用于智能微电网的储能系统 | |
CN115128447A (zh) | 火电储能系统的gis之中套管状态量检测方法 | |
CN105259449A (zh) | 一种特高压避雷器的状态评价系统 | |
CN112269101B (zh) | 一种含分布式电源的配电网单相断线故障定位方法 | |
CN110208718B (zh) | 电源质量测试方法、系统、可读存储介质及计算机设备 | |
CN115099676A (zh) | 火电储能系统的gis之中母线状态量检测方法 | |
CN205067637U (zh) | 一种特高压避雷器的状态评价系统 | |
KR102206379B1 (ko) | 태양광발전 접지저항 측정 시스템 및 방법 | |
CN115236581A (zh) | 火电储能系统的gis之中电压互感器状态量检测方法 | |
CN116840614A (zh) | 基于谐波异动特征的电缆线路缺陷感知预警方法 | |
CN112782638B (zh) | 一种低压计量箱内电能表故障诊断维护方法 | |
Mišák et al. | Verification of a novel method of detecting faults in medium-voltage systems with covered conductors | |
CN110661261B (zh) | 一种用于低频振荡在线分析的pmu数据处理方法及装置 | |
CN114152909A (zh) | 基于大数据的中高压失准分析系统 | |
CN114594318A (zh) | 一种用于交流充电桩的计量误差监测方法及存储介质 | |
CN111781554A (zh) | 基于四象限电能量数据的计量装置故障判定方法及系统 | |
CN115014441A (zh) | 一种避雷器状态量检测方法 | |
CN113159411B (zh) | 一种电网气象风险预警模型的检验方法及系统 | |
CN116224130A (zh) | 基于电化学阻抗谱的电力系统蓄电池组巡检方法和装置 |
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 |