CN115221215A - 基于物联网设备状态感知系统 - Google Patents
基于物联网设备状态感知系统 Download PDFInfo
- Publication number
- CN115221215A CN115221215A CN202210613173.5A CN202210613173A CN115221215A CN 115221215 A CN115221215 A CN 115221215A CN 202210613173 A CN202210613173 A CN 202210613173A CN 115221215 A CN115221215 A CN 115221215A
- Authority
- CN
- China
- Prior art keywords
- data
- internet
- things
- state
- 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
- 230000008447 perception Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 abstract description 4
- 238000004220 aggregation Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 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
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
- H02J13/00026—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission involving a local wireless network, e.g. Wi-Fi, ZigBee or Bluetooth
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
本申请属于电网运行状态检测管理方法技术领域，尤其涉及一种基于物联网设备状态感知系统。包括数据应用层、网络处理层、信息感知层；信息感知层包括若干用于获取设备运行基础信息的传感器；网络处理层，包括若干感知终端物联节点、物联网汇聚网关以及物联网汇聚节点；本申请的基于物联网设备的状态感知系统，在统计开关设备状态基础数据的基础上，能够更好的明确设备运行与其他因素之间影响，建立更有效和及时的设备状态感知辨识平台，基于无线传输到数据汇聚、深度学习算法，能够更高效的实现设备运行状态识别，为后续的输变电设备故障诊断和状态检修奠定基础，实现状态评判和运维决策总体目标的前提规划。
Description
技术领域
本申请属于电网运行状态检测管理方法技术领域，尤其涉及一种基于物联网设备状态感知系统。
背景技术
国内电力设备状态分析和在线监测技术相关研究已有三十多年的历史，在线监测状态的电力设备主要有主变压器、设备及GIS、互感器、电容型设备及金属氧化物避雷器（MOA）等。主要监测和状态分析方法包括测温法、振动法、测距法、光纤监测诊断法等。国内对设备设备主要以局放和温度测试为主，多通过人工巡检来实现，手持局放测试仪接收传感器信号，判别局放程度的效率低，耗费大量人力物力，采集的离线数据无法准确判断设备内部局放的发展趋势。但缺乏设备多信息综合处理和对数据融合分析技术还未到达大规模推广应用要求。现有方法监测存在不足，造成对故障性质、程度、类别和部位缺陷诊断存在极大盲目性，有可能误判、漏判造成隐患不能及时消除而发生事故。
发明内容
本申请的目的在于提供一种基于物联网设备状态感知系统，利用传感器收集设备多种运行信息，建立设备状态评价系统，以可用来制定差异化运维检修策略，实现分布式开关设备状态可观、可控和在控。
为实现上述目的，本申请采用如下技术方案。
一种基于物联网设备状态感知系统，包括数据应用层、网络处理层、信息感知层；
所述信息感知层包括若干用于获取设备运行基础信息的传感器；所述基础信息将作为应用层评价运行状况基本数据；
所述网络处理层，包括若干感知终端物联节点、物联网汇聚网关以及物联网汇聚节点；感知终端物联节点连接传感器，实现对运行信息和环境数据在线感知，根据变电站或线路高压设备布置情况选择星型、树状或网状的网络拓扑结构；感知终端物联节点利用聚网关以及物联网汇聚节点协调实现通信，然后通过物联网汇聚网关、物联网汇聚节点传输到应用层；
所述应用层用于实现基础信息信号的融合分析，构建完善开关设备状态感知深度学习模型和状态评价系统。
对前述基于物联网设备的状态感知系统的进一步改进，所述应用层具体用于执行以下步骤：
步骤S1、获取信息感知层各传感器的获得的设备运行基础信息存入源端数据库；
步骤S2、基于DataWork完成基础信息数据的实时同步集成；包括
S2a、基于DataWork实时同步项目，建立源端数据库到MaxCompte数据库的映射，生成增量表，创建全量表，在此基础上创建同步任务，实现全量数据的实时同步；基于DataWork数据合并项目，采用定时同步的方式，将增量数据写入全量表；
S2b、基于前述基础信息数据，根据需要进行类型转换并完成必要的缺失值填充；
S2c、基于不同基础数据的类型分别基于快速傅里叶变换方法、或经验模态分解方法或熵分析方法对基础信息数据进行特征分量分析，对数据特征进行提取和组合，构建基础数据的特征组合；
S2d、基于深度学习技术对前述特征组合表进行学习训练，构建基于残差网络的状态识别模型，获取设备状态评价指标。
对前述基于物联网设备的状态感知系统的进一步改进，所述步骤S2a还包括：基于DataWork完成基础信息数据的离线同步集成；具体是指：
建立用于存储设备运行基础信息数据的可读写主库，创建用于备份可读写主库数据的只读从库；配置源端数据库，实现从源端数据库定周期全量数据的抽取，并将其写入可读写主库；由只读从库定时完成对可读写主库的数据备份；任务数据读取时只从只读从库抽取。
对前述基于物联网设备的状态感知系统的进一步改进，所述步骤S2a还包括：基于DataWork完成基础信息数据的增量同步集成；具体是指：
建立MaxCompte全量数据库和MaxCompte增量数据库，对于大容量数据，除了首次以及定期进行全量同步将数据写入MaxCompte全量数据库，其他时间仅将增量数据同步值MaxCompte增量数据库。
对前述基于物联网设备的状态感知系统的进一步改进，所述步骤S2c中，经验模态分解方法用于振动信号的特征提取和建模，所述振动信号包括机械振动以及声波信号，具体而言：
对于待处理的振动信号，将若干强度不同的白噪音分别添加至原始信号后，分别进行经验模态分解；在每次经验模态分解过程中确定所有的局部极值点，拟合外围包络线求解信号对应的残余函数信号，对残余函数信号进行必要的平滑滤波处理，祛除随机误差后得到对应的单调函数；基于前述模态分解过程确定待处理信号对应的所有分解波形，进行整体平均处理得到最终的信号波形。
对前述基于物联网设备的状态感知系统的进一步改进，为进一步提取数据特征，利用熵分析方法对前述基础波形进行处理，对于基于时域平移得到的振声联合图像数据，将其分解为两个垂直的一维数据，并利用前述经验模态分解方法对两个一维数据进行分解，最后基于最小尺度原则进行合并后重构振声联合图像数据，在此基础上进行进一步建模进而特征提取处理。
对前述基于物联网设备的状态感知系统的进一步改进，所述步骤S2d中，行训练学习的基本过程包括：
获取传感器收集的一维信号数据，通过时域频域转换将前述一维信号数据转换为二维图像数据，基于前述二维图像数据进行分配建立训练数据集和测试数据集，利用二维ResNet网络模型和训练数据集中的数据进行模型训练得到二维ResNet网络模型参数，利用测试数据集对前述二维ResNet网络模型参数进行验证，修正二维ResNet网络模型参数确定最终的二维ResNet网络模型。
对前述基于物联网设备的状态感知系统的进一步改进，所述传感器安装于基础设备上；所述基础信息至少包括：设备主回路电流、电动机操动开关电源参数、分合闸线圈电流、放电超声波参数、机械操作次数、气体压力和本体振动参数。
对前述基于物联网设备的状态感知系统的进一步改进，所述应用层还用于建立数据存储、信号分析、以及数据挖掘为一体云端监测应用层，融合多信号特征辨识设备储能、动作过程和运行状态，评估设备缺陷和寿命状态；利用边缘计算检测信号特征，在开关类设备状态感知和智能辨识平台中，实现多种信号融合分析，利用峭度、频谱和二维谱熵等变换特征以及模糊聚类、时频分析、DS证据理论和深度学习等设备缺陷辨识方法，构建完善开关设备状态感知深度学习模型和状态评价系统。
其有益效果在于：
本申请的基于物联网设备的状态感知系统，在统计开关设备状态基础数据的基础上，能够更好的明确设备运行与其他因素之间影响，建立更有效和及时的设备状态感知辨识平台，基于无线传输到数据汇聚、深度学习算法，能够更高效的实现设备运行状态识别，为后续的输变电设备故障诊断和状态检修奠定基础，实现状态评判和运维决策总体目标的前提规划。
附图说明
图1是基于物联网设备的状态感知系统的结构原理图。
图2是设备特征计算和处理流程示意图；
图3是二维ResNet网络学习模型示意图。
具体实施方式
本申请的基于物联网设备的状态感知系统主要用于变电站设备运行及操控过程的监测感知以及状态识别管控，以基于信号特征和先验知识的辨识数据库，其可以结合多信息融合、聚类分析和深度学习算法实现运行可靠性评价，用于实现变电站设备的运维管控。
如图1所示，基于物联网设备状态感知和运维决策系统主要包括数据应用层、网络处理层、信息感知层；
信息感知层，包括若干用于获取设备运行基础信息的传感器；所述传感器安装于基础设备上；所述基础信息至少包括：断路器主回路电流、电动机操动开关电源参数、分合闸线圈电流、放电超声波参数、机械操作次数、气体压力和本体振动参数；前述基础信息将作为应用层评价运行状况基本数据；
网络处理层，包括若干感知终端节点、汇聚网关以及汇聚节点；
感知终端节点连接传感器，实现对运行信息和环境数据在线感知，根据变电站或线路高压设备布置情况选择星型、树状或网状的网络拓扑结构；感知终端节点利用聚网关以及汇聚节点协调实现通信，然后通过汇聚网关、汇聚节点传输到应用层；
网络处理层，所述网络处理层，包括若干感知终端物联节点、物联网汇聚网关以及物联网汇聚节点；感知终端物联节点连接传感器，实现对运行信息和环境数据在线感知，根据变电站或线路高压设备布置情况选择星型、树状或网状的网络拓扑结构；感知终端物联节点利用聚网关以及物联网汇聚节点协调实现通信，然后通过物联网汇聚网关、物联网汇聚节点传输到应用层；
结合各类无线传感器设备，在具体实施时，可以采用WIFI，ZigBee或NB-IoT无线通信技术，建立从下到上无线数据传输网络。
应用层用于实现基础信息信号的融合分析，构建完善开关设备状态感知深度学习模型和状态评价系统。建立数据存储、信号分析、以及数据挖掘为一体云端监测应用层，融合多信号特征辨识设备储能、动作过程和运行状态，评估设备缺陷和寿命状态，为智慧运维检修服务。
利用边缘计算检测信号特征，在开关类设备状态感知和智能辨识平台中，实现多种信号融合分析，利用峭度、频谱和二维谱熵等变换特征以及模糊聚类、时频分析、DS证据理论和深度学习等设备缺陷辨识方法，构建完善开关设备状态感知深度学习模型和状态评价系统。有条件应用层端可按照云平台模式搭建开关设备特征分析和运维决策应用平台。数据处理处理流程如图2所示，具体包括
步骤S1、获取信息感知层各传感器的获得的设备运行基础信息存入源端数据库；
步骤S2、基于DataWork完成基础信息数据的实时同步集成；包括基于DataWork实时同步项目，建立源端数据库到MaxCompte数据库的映射，生成增量表，创建全量表，在此基础上创建同步任务，实现全量数据的实时同步；基于DataWork数据合并项目，采用定时同步的方式，将增量数据写入全量表；
特别的，还包括基于DataWork完成基础信息数据的离线同步集成；具体是指：建立用于存储设备运行基础信息数据的可读写主库，创建用于备份可读写主库数据的只读从库；配置源端数据库，实现从源端数据库定周期全量数据的抽取，并将其写入可读写主库；由只读从库定时完成对可读写主库的数据备份；任务数据读取时只从只读从库抽取；
特别的，还包括基于DataWork完成基础信息数据的增量同步集成；具体是指：建立MaxCompte全量数据库和MaxCompte增量数据库，对于大容量数据，除了首次以及定期进行全量同步将数据写入MaxCompte全量数据库，其他时间仅将增量数据同步值MaxCompte增量数据库；
S2b、基于前述基础信息数据，根据需要进行类型转换并完成必要的缺失值填充；
S2c、基于不同基础数据的类型分别基于快速傅里叶变换方法、或经验模态分解方法或熵分析方法对基础信息数据进行特征分量分析，对数据特征进行提取和组合，构建基础数据的特征组合；
其中，经验模态分解方法用于振动信号的特征提取和建模，所述振动信号包括机械振动以及声波信号，具体而言，对于待处理的振动信号，将若干强度不同的白噪音分别添加至原始信号后，分别进行经验模态分解；在每次经验模态分解过程中确定所有的局部极值点，拟合外围包络线求解信号对应的残余函数信号，对残余函数信号进行必要的平滑滤波处理，祛除随机误差后得到对应的单调函数；基于前述模态分解过程确定待处理信号对应的所有分解波形，进行整体平均处理得到最终的信号波形；
为进一步提取数据特征，利用熵分析方法对前述基础波形进行处理，对于基于时域平移得到的振声联合图像数据，将其分解为两个垂直的一维数据，并利用前述经验模态分解方法对两个一维数据进行分解，最后基于最小尺度原则进行合并后重构振声联合图像数据，在此基础上进行进一步建模进而特征提取处理；
S2d、基于深度学习技术对前述特征组合表进行学习训练，构建基于残差网络的状态识别模型，获取设备状态评价指标；
如图3所示，进行训练学习的基本过程包括：获取传感器收集的一维信号数据，通过时域频域转换将前述一维信号数据转换为二维图像数据，基于前述二维图像数据进行分配建立训练数据集和测试数据集，利用二维ResNet网络模型和训练数据集中的数据进行模型训练得到二维ResNet网络模型参数，利用测试数据集对前述二维ResNet网络模型参数进行验证，修正二维ResNet网络模型参数确定最终的二维ResNet网络模型；
基于本系统，通过加强设备状态评级算法及缺陷辨识策略，在特征计算的基础上，可以进一步融合多信息进行综合评价，利用历史经验数据积累数据和经验后引入深度学习算法，可以建立高效准确的状态感知模型和实施方案，在具体应用过程中有效提高提高泛化性和故障辨识的准确率。
最后应当说明的是，以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。
Claims (9)
1.一种基于物联网设备的状态感知系统，其特征在于，包括数据应用层、网络处理层、信息感知层：
所述信息感知层包括若干用于获取设备运行基础信息的传感器；所述基础信息将作为应用层评价运行状况基本数据；
所述网络处理层，包括若干感知终端物联节点、物联网汇聚网关以及物联网汇聚节点；感知终端物联节点连接传感器，实现对运行信息和环境数据在线感知，根据变电站或线路高压设备布置情况选择星型、树状或网状的网络拓扑结构；感知终端物联节点利用聚网关以及物联网汇聚节点协调实现通信，然后通过物联网汇聚网关、物联网汇聚节点传输到应用层；
所述应用层用于实现基础信息信号的融合分析，构建完善开关设备状态感知深度学习模型和状态评价系统。
2.根据权利要求1所述的一种基于物联网设备的状态感知系统，其特征在于，所述应用层具体用于执行以下步骤：
步骤S1、获取信息感知层各传感器的获得的设备运行基础信息存入源端数据库；
步骤S2、基于DataWork完成基础信息数据的实时同步集成；包括
S2a、基于DataWork实时同步项目，建立源端数据库到MaxCompte数据库的映射，生成增量表，创建全量表，在此基础上创建同步任务，实现全量数据的实时同步；基于DataWork数据合并项目，采用定时同步的方式，将增量数据写入全量表；
S2b、基于前述基础信息数据，根据需要进行类型转换并完成必要的缺失值填充；
S2c、基于不同基础数据的类型分别基于快速傅里叶变换方法、或经验模态分解方法或熵分析方法对基础信息数据进行特征分量分析，对数据特征进行提取和组合，构建基础数据的特征组合；
S2d、基于深度学习技术对前述特征组合表进行学习训练，构建基于残差网络的状态识别模型，获取设备状态评价指标。
3.根据权利要求2所述的一种基于物联网设备的状态感知系统，其特征在于，所述步骤S2a还包括：基于DataWork完成基础信息数据的离线同步集成；具体是指：
建立用于存储设备运行基础信息数据的可读写主库，创建用于备份可读写主库数据的只读从库；配置源端数据库，实现从源端数据库定周期全量数据的抽取，并将其写入可读写主库；由只读从库定时完成对可读写主库的数据备份；任务数据读取时只从只读从库抽取。
4.根据权利要求2所述的一种基于物联网设备的状态感知系统，其特征在于，所述步骤S2a还包括：基于DataWork完成基础信息数据的增量同步集成；具体是指：
建立MaxCompte全量数据库和MaxCompte增量数据库，对于大容量数据，除了首次以及定期进行全量同步将数据写入MaxCompte全量数据库，其他时间仅将增量数据同步值MaxCompte增量数据库。
5.根据权利要求2所述的一种基于物联网设备的状态感知系统，其特征在于，所述步骤S2c中，经验模态分解方法用于振动信号的特征提取和建模，所述振动信号包括机械振动以及声波信号，具体而言：
对于待处理的振动信号，将若干强度不同的白噪音分别添加至原始信号后，分别进行经验模态分解；在每次经验模态分解过程中确定所有的局部极值点，拟合外围包络线求解信号对应的残余函数信号，对残余函数信号进行必要的平滑滤波处理，祛除随机误差后得到对应的单调函数；基于前述模态分解过程确定待处理信号对应的所有分解波形，进行整体平均处理得到最终的信号波形。
6.根据权利要求3所述的一种基于物联网设备的状态感知系统，其特征在于，为进一步提取数据特征，利用熵分析方法对前述基础波形进行处理，对于基于时域平移得到的振声联合图像数据，将其分解为两个垂直的一维数据，并利用前述经验模态分解方法对两个一维数据进行分解，最后基于最小尺度原则进行合并后重构振声联合图像数据，在此基础上进行进一步建模进而特征提取处理。
7.根据权利要求2所述的一种基于物联网设备的状态感知系统，其特征在于，所述步骤S2d中，行训练学习的基本过程包括：
获取传感器收集的一维信号数据，通过时域频域转换将前述一维信号数据转换为二维图像数据，基于前述二维图像数据进行分配建立训练数据集和测试数据集，利用二维ResNet网络模型和训练数据集中的数据进行模型训练得到二维ResNet网络模型参数，利用测试数据集对前述二维ResNet网络模型参数进行验证，修正二维ResNet网络模型参数确定最终的二维ResNet网络模型。
8.根据权利要求1所述的一种基于物联网设备的状态感知系统，其特征在于，所述传感器安装于基础设备上；所述基础信息至少包括：断路器主回路电流、电动机操动开关电源参数、分合闸线圈电流、放电超声波参数、机械操作次数、气体压力和本体振动参数。
9.根据权利要求1所述的一种基于物联网设备的状态感知系统，其特征在于，所述应用层还用于建立数据存储、信号分析、以及数据挖掘为一体云端监测应用层，融合多信号特征辨识设备储能、动作过程和运行状态，评估设备缺陷和寿命状态；利用边缘计算检测信号特征，在开关类设备状态感知和智能辨识平台中，实现多种信号融合分析，利用峭度、频谱和二维谱熵等变换特征以及模糊聚类、时频分析、DS证据理论和深度学习等设备缺陷辨识方法，构建完善开关设备状态感知深度学习模型和状态评价系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210613173.5A CN115221215A (zh) | 2022-06-01 | 2022-06-01 | 基于物联网设备状态感知系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210613173.5A CN115221215A (zh) | 2022-06-01 | 2022-06-01 | 基于物联网设备状态感知系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115221215A true CN115221215A (zh) | 2022-10-21 |
Family
ID=83608651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210613173.5A Pending CN115221215A (zh) | 2022-06-01 | 2022-06-01 | 基于物联网设备状态感知系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115221215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319896A (zh) * | 2023-05-12 | 2023-06-23 | 广东省电信规划设计院有限公司 | 基于区块链的物联网感知关键信息处理方法和装置 |
-
2022
- 2022-06-01 CN CN202210613173.5A patent/CN115221215A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116319896A (zh) * | 2023-05-12 | 2023-06-23 | 广东省电信规划设计院有限公司 | 基于区块链的物联网感知关键信息处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
| CN103901882A (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
| CN112086965B (zh) | 一种低压配电网拓扑识别方法及装置 | |
| CN104714175A (zh) | 电池系统故障诊断方法及系统 | |
| CN103728507A (zh) | 一种基于数据挖掘的电网故障诊断方法 | |
| CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
| CN112748317B (zh) | 基于多种监测数据的开关柜局部放电故障检测方法及系统 | |
| CN113466597A (zh) | 一种轨道交通供电系统设备状态智能检测方法 | |
| CN110992210A (zh) | 一种动态智能抄表方法及系统 | |
| CN115221215A (zh) | 基于物联网设备状态感知系统 | |
| CN105184673A (zh) | 一种配电网图模文件可视化离线校核方法 | |
| CN105978145B (zh) | 智能变电站二次系统信息融合系统 | |
| CN115563873A (zh) | 一种电力网络的数字孪生仿真系统及方法 | |
| CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
| CN117390529A (zh) | 多因素溯源的数据中台信息管理方法 | |
| CN104392603A (zh) | 一种现场用电信息采集设备智能诊断系统 | |
| CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
| CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
| CN115936680A (zh) | 一种设备运维的智能派单方法及系统 | |
| CN115954865A (zh) | 一种基于人工智能的配电网低压拓扑分析方法及系统 | |
| CN113836203A (zh) | 一种网络数据化诊断检测分析系统 | |
| CN106443238A (zh) | 高压设备状态评估方法、在线监测装置评估方法及装置 | |
| CN111157812A (zh) | 一种基于电磁感应的电力设备故障监测方法 | |
| CN104375020A (zh) | 一种分布式在线电网故障诊断系统及其方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |