CN115270982A - 一种基于多元数据神经网络的开关柜故障预测方法 - Google Patents

一种基于多元数据神经网络的开关柜故障预测方法 Download PDF

Info

Publication number
CN115270982A
CN115270982A CN202210942524.7A CN202210942524A CN115270982A CN 115270982 A CN115270982 A CN 115270982A CN 202210942524 A CN202210942524 A CN 202210942524A CN 115270982 A CN115270982 A CN 115270982A
Authority
CN
China
Prior art keywords
data
switch cabinet
neural network
abnormal
normal
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
CN202210942524.7A
Other languages
English (en)
Inventor
范晓舟
齐军
徐玉琴
黄保鑫
肖海
林伟明
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.)
Hangyue Intelligent Electric Co ltd
North China Electric Power University
Original Assignee
Hangyue Intelligent Electric Co ltd
North China Electric Power University
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 Hangyue Intelligent Electric Co ltd, North China Electric Power University filed Critical Hangyue Intelligent Electric Co ltd
Priority to CN202210942524.7A priority Critical patent/CN115270982A/zh
Publication of CN115270982A publication Critical patent/CN115270982A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多元数据神经网络的开关柜故障预测方法，包括如下预测步骤：S1、数据获取：利用网络和开关柜的数据库中获取开关柜运行数据，收集所需数据，将收集的数据存储作为多元数据神经网络模型的初始数据库，S2、数据预处理：先对初始数据库中的数据进行分类，再将每类数据分为正常数据和异常数据，通过SVM‑SMOTE算法对异常数据进行过采样，本发明通过多种数据的同时采集，试探监测触头，确保采集的数据准确可靠，再将多种数据同时作为判断的依据，对数据进行分析，判定异常数据，并根据异常数据的种类数量和超出范围，进行不同等级的故障报警，使开关柜故障报警更加准确，方便人们及时对开关柜进行故障检修。

Description

一种基于多元数据神经网络的开关柜故障预测方法
技术领域
本发明涉及开关柜故障预测技术领域，具体为一种基于多元数据神经网络的开关柜故障预测方法。
背景技术
开关柜是一种电气设备，开关柜外线先进入柜内主控开关，然后进入分控开关，各分路按其需要设置，根据近年来开关柜大量故障数据分析，开关柜故障类型绝大多数是绝缘故障、过热故障、据动误动故障等，通过实时采集数据，可以分析预测开关柜的故障，从而方便在故障发生前采取对应的措施，降低故障影响：
但是目前对于对开关柜的故障预测，大多是采用监测单一的数据，没有同时参考其他数据的影响，没有考虑数据之间的干扰影响，也不能及时发现数据的异常，故障的判断准确度不高。
发明内容
本发明提供一种基于多元数据神经网络的开关柜故障预测方法，可以有效解决上述背景技术中提出目前对于对开关柜的故障预测，大多是采用监测单一的数据，没有同时参考其他数据的影响，没有考虑数据之间的干扰影响，也不能及时发现数据的异常，故障的判断准确度不高的问题。
为实现上述目的，本发明提供如下技术方案：一种基于多元数据神经网络的开关柜故障预测方法，包括如下预测步骤：
S1、数据获取：利用网络和开关柜的数据库中获取开关柜运行数据，收集所需数据，将收集的数据存储作为多元数据神经网络模型的初始数据库；
S2、数据预处理：先对初始数据库中的数据进行分类，再将每类数据分为正常数据和异常数据，通过SVM-SMOTE算法对异常数据进行过采样；
S3、数据训练：对算法获得的数据按比例分成训练集和测试集，将训练集数据放到多元数据神经网络模型中进行训练，用测试集数据来测试训练结果；
S4、试探触头：对开关柜自定义加载试探数据，通过监测触头对试探数据进行接收，对监测触头的运行情况进行试探；
S5、故障预测：将开关柜实时监测数据输入已经训练好的多元数据神经网络模型，并将数据绘制成曲线，根据曲线走势预测故障，对预测故障进行报警；
S6、数据增删：将预测正确的故障数据传输至初始数据库中，对初始数据进行扩充，对数据库中的数据进行整理，删除重复数据和无用数据。
根据上述技术方案，所述S1中，在数据收集前，先确定开关柜相关的数据类别，所述开关柜的相关数据包括电压值、电流值、功率值、温度值和湿度值。
根据上述技术方案，所述S2中，根据数据对应的开关柜工作运行状态，将开关柜正常工作时的数据记为正常数据，将开关柜故障时的数据记为异常数据，过采样后的异常数据单独存储；
所述正常数据和异常数据的分析时，将同一时间的全部数据均带入模型进行分析。
根据上述技术方案，所述S3中，将单独存储的异常数据按照7：3的比例分为训练集和测试集；
所述训练集数据输入多元数据神经网络模型中对异常数据进行辨别，确定正常数据与异常数据的之间的阈值；
再将测试集数据输入多元数据神经网络模型中，通过对测试集数据的辨别，确定模型对数据的辨别情况。
根据上述技术方案，所述S3中，在测试集数据测试多元神经网络模型结果存在异常时，对异常情况进行分析，确定异常原因，再次将测试集数据输入多元数据神经网络模型中，对测试集数据辨别情况进行调整，再次输入测试集数据，直至测试集数据测试结果正确。
根据上述技术方案，所述S4中，开关柜的实时数据通过监测触头进行监测，并传输至多元数据神经网络模型；
对开关柜加载的试探数据包括正常数据和异常数据。
根据上述技术方案，所述S5中，多元数据神经网络模型对输入的数据进行分类和分析，确定正常数据和异常数据，并将数据按照数据类别和采集时间绘制成曲线图；
根据曲线图分析数据未来的走向趋势，将数据的后期走向进行分析，对开关柜的异常数据进行分析，预测开关柜故障，并通过报警器进行报警，提示故障等级。
根据上述技术方案，所述S5中，预测开关柜故障警报分为以下三个等级：
一级警报：仅有一种数据异常，且数值处于正常数据与异常数据的临界值；
二级警报：有至少两种数据异常，且异常数值超过正常数据0-5％(包括5％)；
三级警报：有至少两种数据异常，且异常数值超过正常数据5％(不包括5％)以上。
根据上述技术方案，所述S6中，在对开关柜故障预测报警完成后，开关柜的故障预测数据全部传输至初始数据库中，按照传输的时间顺序进行保存。
根据上述技术方案，所述S6中，将新传输存储存储的数据与初始数据库中原有的数据进行对比，若有相同的数据将时间在前的数据删除。
与现有技术相比，本发明的有益效果：
1、通过采集多种类别的数据，送入多元数据神经网络模型，对数据进行分析，将多种数据结合在一起作为判断依据，提高开关柜故障预测的准确性，大大提高了抗干扰性，并且多种数据同时监测，能够更快的监控到异常数据，提高开关柜故障预测的效率。
2、通过设置不同等级的警报，在对不同种类数量的数据和不同异常程度的数据的分级后，通过不同等级的报警，来提前提示开关柜故障的情况，方便根据不同的报警等级对开关柜采取不同的应对措施，从而使人们在故障处理时更有目的性，故障处理的效果更好。
3、通过对开关柜加载试探数据，对监测触头数据进行接收，从而能够试探监测触头的接触情况，接收数据情况，保证数据采集时的误差降低，避免因为数据采集误差导致开关柜故障预测准确度降低，保证采集的数据的准确性，给后续数据的分析提供坚实的基础。
综上所述，通过多种数据的同时采集，试探监测触头，确保采集的数据准确可靠，再将多种数据同时作为判断的依据，对数据进行分析，判定异常数据，并根据异常数据的种类数量和超出范围，进行不同等级的故障报警，使开关柜故障报警更加准确，方便人们及时对开关柜进行故障检修。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明的开关柜故障预测的步骤流程图；
图2是本发明开关柜故障报警等级的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1-2所示，本发明提供一种技术方案，一种基于多元数据神经网络的开关柜故障预测方法，包括如下预测步骤：
S1、数据获取：利用网络和开关柜的数据库中获取开关柜运行数据，收集所需数据，将收集的数据存储作为多元数据神经网络模型的初始数据库；
S2、数据预处理：先对初始数据库中的数据进行分类，再将每类数据分为正常数据和异常数据，通过SVM-SMOTE算法对异常数据进行过采样；
S3、数据训练：对算法获得的数据按比例分成训练集和测试集，将训练集数据放到多元数据神经网络模型中进行训练，用测试集数据来测试训练结果；
S4、试探触头：对开关柜自定义加载试探数据，通过监测触头对试探数据进行接收，对监测触头的运行情况进行试探；
S5、故障预测：将开关柜实时监测数据输入已经训练好的多元数据神经网络模型，并将数据绘制成曲线，根据曲线走势预测故障，对预测故障进行报警；
S6、数据增删：将预测正确的故障数据传输至初始数据库中，对初始数据进行扩充，对数据库中的数据进行整理，删除重复数据和无用数据。
S1中，在数据收集前，先确定开关柜相关的数据类别，开关柜的相关数据包括电压值、电流值、功率值、温度值和湿度值。
通过采集多种类别的数据，送入多元数据神经网络模型，对数据进行分析，将多种数据结合在一起作为判断依据，提高开关柜故障预测的准确性，大大提高了抗干扰性，并且多种数据同时监测，能够更快的监控到异常数据，提高开关柜故障预测的效率。
S2中，根据数据对应的开关柜工作运行状态，将开关柜正常工作时的数据记为正常数据，将开关柜故障时的数据记为异常数据，过采样后的异常数据单独存储；
正常数据和异常数据的分析时，将同一时间的全部数据均带入模型进行分析。
S3中，将单独存储的异常数据按照7：3的比例分为训练集和测试集；
训练集数据输入多元数据神经网络模型中对异常数据进行辨别，确定正常数据与异常数据的之间的阈值；
再将测试集数据输入多元数据神经网络模型中，通过对测试集数据的辨别，确定模型对数据的辨别情况。
S3中，在测试集数据测试多元神经网络模型结果存在异常时，对异常情况进行分析，确定异常原因，再次将测试集数据输入多元数据神经网络模型中，对测试集数据辨别情况进行调整，再次输入测试集数据，直至测试集数据测试结果正确。
S4中，开关柜的实时数据通过监测触头进行监测，并传输至多元数据神经网络模型；
对开关柜加载的试探数据包括正常数据和异常数据。
通过对开关柜加载试探数据，对监测触头数据进行接收，从而能够试探监测触头的接触情况，接收数据情况，保证数据采集时的误差降低，避免因为数据采集误差导致开关柜故障预测准确度降低，保证采集的数据的准确性，给后续数据的分析提供坚实的基础。
S5中，多元数据神经网络模型对输入的数据进行分类和分析，确定正常数据和异常数据，并将数据按照数据类别和采集时间绘制成曲线图；
根据曲线图分析数据未来的走向趋势，将数据的后期走向进行分析，对开关柜的异常数据进行分析，预测开关柜故障，并通过报警器进行报警，提示故障等级。
S5中，预测开关柜故障警报等级为：
一级警报：仅有一种数据异常，且数值处于正常数据与异常数据的临界值。
通过设置不同等级的警报，在对不同种类数量的数据和不同异常程度的数据的分级后，通过不同等级的报警，来提前提示开关柜故障的情况，方便根据不同的报警等级对开关柜采取不同的应对措施，从而使人们在故障处理时更有目的性，故障处理的效果更好。
S6中，在对开关柜故障预测报警完成后，开关柜的故障预测数据全部传输至初始数据库中，按照传输的时间顺序进行保存。
S6中，将新传输存储存储的数据与初始数据库中原有的数据进行对比，若有相同的数据将时间在前的数据删除。
实施例2：S5中，预测开关柜故障警报等级为：
二级警报：两种数据异常，且异常数值超过正常数据2％。
S6中，在对开关柜故障预测报警完成后，开关柜的故障预测数据全部传输至初始数据库中，按照传输的时间顺序进行保存。
S6中，将新传输存储存储的数据与初始数据库中原有的数据进行对比，若有相同的数据将时间在前的数据删除。
实施例3：S5中，预测开关柜故障警报等级为：
三级警报：有两种数据异常，且异常数值超过正常数据10％。
S6中，在对开关柜故障预测报警完成后，开关柜的故障预测数据全部传输至初始数据库中，按照传输的时间顺序进行保存。
S6中，将新传输存储存储的数据与初始数据库中原有的数据进行对比，若有相同的数据将时间在前的数据删除。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (10)

1.一种基于多元数据神经网络的开关柜故障预测方法，其特征在于：包括如下预测步骤：
S1、数据获取：利用网络和开关柜的数据库中获取开关柜运行数据，收集所需数据，将收集的数据存储作为多元数据神经网络模型的初始数据库；
S2、数据预处理：先对初始数据库中的数据进行分类，再将每类数据分为正常数据和异常数据，通过SVM-SMOTE算法对异常数据进行过采样；
S3、数据训练：对算法获得的数据按比例分成训练集和测试集，将训练集数据放到多元数据神经网络模型中进行训练，用测试集数据来测试训练结果；
S4、试探触头：对开关柜自定义加载试探数据，通过监测触头对试探数据进行接收，对监测触头的运行情况进行试探；
S5、故障预测：将开关柜实时监测数据输入已经训练好的多元数据神经网络模型，并将数据绘制成曲线，根据曲线走势预测故障，对预测故障进行报警；
S6、数据增删：将预测正确的故障数据传输至初始数据库中，对初始数据进行扩充，对数据库中的数据进行整理，删除重复数据和无用数据。
2.根据权利要求1所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S1中，在数据收集前，先确定开关柜相关的数据类别，所述开关柜的相关数据包括电压值、电流值、功率值、温度值和湿度值。
3.根据权利要求1所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S2中，根据数据对应的开关柜工作运行状态，将开关柜正常工作时的数据记为正常数据，将开关柜故障时的数据记为异常数据，过采样后的异常数据单独存储；
所述正常数据和异常数据的分析时，将同一时间的全部数据均带入模型进行分析。
4.根据权利要求1所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S3中，将单独存储的异常数据按照7：3的比例分为训练集和测试集；
所述训练集数据输入多元数据神经网络模型中对异常数据进行辨别，确定正常数据与异常数据的之间的阈值；
再将测试集数据输入多元数据神经网络模型中，通过对测试集数据的辨别，确定模型对数据的辨别情况。
5.根据权利要求4所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S3中，在测试集数据测试多元神经网络模型结果存在异常时，对异常情况进行分析，确定异常原因，再次将测试集数据输入多元数据神经网络模型中，对测试集数据辨别情况进行调整，再次输入测试集数据，直至测试集数据测试结果正确。
6.根据权利要求1所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S4中，开关柜的实时数据通过监测触头进行监测，并传输至多元数据神经网络模型；
对开关柜加载的试探数据包括正常数据和异常数据。
7.根据权利要求6所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S5中，多元数据神经网络模型对输入的数据进行分类和分析，确定正常数据和异常数据，并将数据按照数据类别和采集时间绘制成曲线图；
根据曲线图分析数据未来的走向趋势，将数据的后期走向进行分析，对开关柜的异常数据进行分析，预测开关柜故障，并通过报警器进行报警，提示故障等级。
8.根据权利要求7所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S5中，预测开关柜故障警报分为以下三个等级：
一级警报：仅有一种数据异常，且数值处于正常数据与异常数据的临界值；
二级警报：有至少两种数据异常，且异常数值超过正常数据0-5％(包括5％)；
三级警报：有至少两种数据异常，且异常数值超过正常数据5％(不包括5％)以上。
9.根据权利要求1所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S6中，在对开关柜故障预测报警完成后，开关柜的故障预测数据全部传输至初始数据库中，按照传输的时间顺序进行保存。
10.根据权利要求9所述的一种基于多元数据神经网络的开关柜故障预测方法，其特征在于，所述S6中，将新传输存储存储的数据与初始数据库中原有的数据进行对比，若有相同的数据将时间在前的数据删除。
CN202210942524.7A 2022-08-08 2022-08-08 一种基于多元数据神经网络的开关柜故障预测方法 Pending CN115270982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210942524.7A CN115270982A (zh) 2022-08-08 2022-08-08 一种基于多元数据神经网络的开关柜故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210942524.7A CN115270982A (zh) 2022-08-08 2022-08-08 一种基于多元数据神经网络的开关柜故障预测方法

Publications (1)

Publication Number Publication Date
CN115270982A true CN115270982A (zh) 2022-11-01

Family

ID=83749935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210942524.7A Pending CN115270982A (zh) 2022-08-08 2022-08-08 一种基于多元数据神经网络的开关柜故障预测方法

Country Status (1)

Country Link
CN (1) CN115270982A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893336A (zh) * 2023-07-11 2023-10-17 浙江和能电力设备有限公司 高低压开关设备及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893336A (zh) * 2023-07-11 2023-10-17 浙江和能电力设备有限公司 高低压开关设备及其方法
CN116893336B (zh) * 2023-07-11 2024-04-02 宁夏隆基电气有限公司 高低压开关设备及其方法

Similar Documents

Publication Publication Date Title
CN112561736A (zh) 智能变电站继电器保护装置故障诊断系统和方法
CN115693948A (zh) 一种电力系统故障监测方法及监测系统
CN110646685B (zh) 一种开关柜状态综合评估方法
CN111579121B (zh) 在线诊断新能源汽车电池包内温度传感器故障的方法
CN110727531A (zh) 一种线上系统的故障预测及处理方法及系统
CN112949874B (zh) 一种配电终端缺陷特征自诊断方法及系统
CN115372816A (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN117406026A (zh) 一种适用于分布式电源的配电网故障检测方法
CN118138153B (zh) 一种射频电缆在线故障监测装置及其监测方法
CN115270982A (zh) 一种基于多元数据神经网络的开关柜故障预测方法
CN117933447A (zh) 一种基于数据分析的故障预测方法及系统
CN117374976B (zh) 基于线路故障自动识别的电气安全管理系统
CN117520999B (zh) 一种边缘数据中心设备的智能运维方法和系统
CN117406048B (zh) 一种变压器放电故障诊断方法及装置
CN117350548B (zh) 一种配电设备安全隐患排查方法
CN117038048B (zh) 一种用于医疗器械的远程故障处理方法及系统
CN116796261B (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN117452062A (zh) 一种考虑运行负荷的台区线损率监测方法
CN108917823A (zh) 自动设置开关柜监测参数的在线监测方法及系统
Brown et al. Learning models of plant behavior for anomaly detection and condition monitoring
CN113836203A (zh) 一种网络数据化诊断检测分析系统
CN111487562B (zh) 一种电力变压器状态早期预警及辅助决策方法
CN118094168B (zh) 一种电力数据的修正方法及装置
CN115622038A (zh) 基于数据驱动大规模配电终端运行缺陷控制及自诊断方法

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