CN115372752A - 故障检测方法、装置、电子设备以及存储介质 - Google Patents
故障检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN115372752A CN115372752A CN202110541253.XA CN202110541253A CN115372752A CN 115372752 A CN115372752 A CN 115372752A CN 202110541253 A CN202110541253 A CN 202110541253A CN 115372752 A CN115372752 A CN 115372752A
- Authority
- CN
- China
- Prior art keywords
- fault
- terminal
- power terminal
- monitoring
- point
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims description 222
- 238000012549 training Methods 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 28
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000007257 malfunction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明提供一种故障检测方法、装置、电子设备以及计算机可读存储介质。该方法包括:在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。本发明实施例可以降低电力巡检的时间成本。
Description
技术领域
本发明实施例涉及电力检测技术领域,尤其涉及一种故障检测方法、装置、电子设备以及计算机可读存储介质。
背景技术
电力网络在长期运行中,不可避免的会引起性能逐渐下降,可靠性降低,故障率增大,进而危及电力网络的安全运行。同时,电力故障带来的危害十分巨大,为保障电力网络的安全稳定运行,常常需要对管辖领域内的电力终端进行故障检测,以确保电力终端能够正常运行。
传统的电力网络中电力终端的故障检测方式通常是人工巡检,检测成本比较高。
发明内容
本发明实施例提供一种故障检测方法、装置、电子设备以及计算机可读存储介质,以解决现有技术中电力网络中电力终端的故障检测通常需要人工巡检,而导致检测成本比较高的问题。
第一方面,本发明实施例提供一种故障检测方法,所述方法包括:
在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
上述方案中,所述确定所述故障点对应的目标电力终端的故障标识的步骤包括:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
上述方案中,所述从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识之前,所述方法还包括:
获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
基于所述训练样本数据对所述故障预测模型进行训练;
在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
上述方案中,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库的步骤包括:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
上述方案中,获取所述第一监测点的故障状态数据包括:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
第二方面,本发明实施例提供一种故障检测装置,所述装置包括:
第一确定模块,用于在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
第二确定模块,用于在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
上述方案中,所述第一确定模块,具体用于:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
上述方案中,所述装置还包括:
获取模块,用于获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
训练模块,用于基于所述训练样本数据对所述故障预测模型进行训练;
第三确定模块,用于在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
创建模块,用于基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
上述方案中,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述创建模块,具体用于:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
上述方案中,所述获取模块,具体用于:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
第三方面,本发明实施例提供一种电子设备,包括处理器,存储器,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,所述计算机程序被所述处理器执行时实现上述故障检测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述故障检测方法的步骤。
本发明实施例中,通过在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。如此,在监测到电力网络发生故障的情况下,若确定故障点对应的目标电力终端容易发生故障,则可以基于该目标电力终端的位置快速锁定故障点的位置,从而可以降低电力巡检的时间成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的故障检测方法的流程示意图;
图2是故障预测模型的训练流程图;
图3是本发明实施例提供的故障检测装置的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
背景技术中,现有的电力网络中电力终端的故障检测方式通常是人工巡检,检测成本比较高,基于此,本发明实施例提出一种新的故障检测方案。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的故障检测方法进行说明。
需要说明的是,本发明实施例提供的故障检测方法涉及电子电力技术领域,具体涉及电力检测技术领域,其可以广泛应用于电力网络的运行、调度、维护、故障诊断、预测等诸多场景中。该方法可以由本发明实施例的故障检测装置执行。而故障检测装置可以配置在任意电子设备中,以执行故障检测方法,该电子设备可以服务器,也可以为终端,这里不做具体限定。
参见图1,图中示出了本发明实施例提供的故障检测方法的流程示意图。如图1所示,该方法可以包括如下步骤:
步骤101,在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障。
这里,电力网络可以为电力系统的网络,其可以涵盖电力发电、输电、配电和用电等中的至少一个网络,所述电力网络可以包括很多个电力终端,这些电力终端以及电缆电线可以构成一个电力网络。可选的,所述电力网络可以为配电网络,该配电网络可以包括变压器、配电箱等多个配电终端,这些配电终端即为电力终端。
为了保证电力网络的正常运行,通常会在电力网络中设置多个监测点,以监测电力网络中各电力终端的运行过程。其中,针对电力网络中的每个电力终端,可以设置一个或多个监测点,以监测电力网络中各电力终端的运行。
而故障点即指的是电力网络中存在故障的监测点,其中,电力网络中可以存在一个或多个故障点,相应的,故障检测装置可以监测到电力网络中存在故障的一个或多个监测点。
在电力网络的运行过程中,会产生大量数据,成为电力大数据,这些数据包含电力网络中设置的监测点的各种信息,对电力网络的系统运行、调度、维护、故障诊断和预测都是具有重要价值。
因此,在此基础上,可以将信息通讯技术与物理电力系统的运行技术相融合,可以形成智能电网。而智能电网的智能化的基础是必须要对真实反映电力网络系统运行状态的全景实时数据进行快速处理与分析,将获取的数据尽快转化为信息,基于这些有效信息进行监测和预测,进而实现电力网络的智能化运作。
在智能电网的基础上,故障检测装置可以接收其他设备发送的各监测点的电力数据如电流、电压、温度和运行功率等,基于接收的电力数据进行数据分析,以确定电力网络中各监测点的运行状态信息。
若某监测点的运行状态信息表征该监测点处于非正常运行状态,即表征该监测点存在故障,则故障检测装置监测到电力网络中存在故障点。而若电力网络中设置的每个监测点的运行状态信息均表征相应的监测点处于正常运行状态,则故障检测装置可以监测到电力网络中未存在故障点。
故障检测装置也可以接收其他监测设备监测到的故障信息,所述故障信息表征电力网络中是否存在故障点,以及在电力网络中存在故障点的情况下,是哪些监测点发生了故障,当然还表征其他信息如监测点发生了什么故障即故障类型,这里不进行具体限定。
其中,上述监测点发生了故障指的是监测点所监测的电力终端可能发生了故障,即故障点可能为电力网络中的电力终端。另外,其他监测设备也可以通过上述相同的方式监测电力网络中是否存在故障点,这里不进行赘述。
本发明实施例的目的即是在确认电力网络中存在故障后,可以针对性地对电力网络中故障点进行查找,即对发生的故障点进行分析,以快速确定故障点的位置,可以实现降低电力巡检的时间成本。并且,在保障系统总体可靠性前提下,通过自动化地确定故障点的位置,可以实现减少派工总量,提高派工效率的目标。
具体的,在监测到电力网络中存在故障点的情况下,可以确定所述故障点对应的目标电力终端的故障标识,所述目标电力终端的故障标识可以用于表征所述目标电力终端是否容易发生故障。
所述故障标识可以有两种情况,第一种可以表征所述目标电力终端容易发生故障,即所述目标电力终端为容易发生故障的电力终端。第二种可以表征所述目标电力终端不容易发生故障,即所述目标电力终端为不容易发生故障的电力终端。
也就是说,通过故障标识,可以将电力网络中的各电力终端分成两种类型,第一种类型可以为发生故障风险概率较高的电力终端,第二种类型可以为发生故障风险概率较低的电力终端。
在实际标定过程中,所述故障标识可以用第一数值如0,来表征电力终端为不易发生故障的监测点即发生故障风险概率较低的监测点,而可以用第二数值如1,来表征电力终端为易发生故障的监测点即发生故障风险概率较高的监测点。
可以有多种方式确定所述故障点对应的目标电力终端的故障标识,比如,可以预先标定所述电力网络中所有电力终端的故障标识,相应的,在监测到电力网络中存在故障点的情况下,可以从标定的各电力终端的故障标识中获取所述故障点对应的目标电力终端的故障标识。
又比如,可以获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识。所述故障预测模型可以为深度学习模型,如循环神经网络模型或长短期记忆(Long Short-Term Memory,LSTM)卷积网络模型等。
其中,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。举个例子来说,目标电力终端的故障状态数据包括所述目标电力终端的12个故障状态信息,每个故障状态信息表征所述目标电力终端在一个月内是正常还是异常的运行状态,如第1个故障状态信息表征所述目标电力终端在历史上的第12个月内的故障状态,在该月中,故障状态信息表征该目标电力终端是正常的,用数值0表示,第2个故障状态信息表征所述目标电力终端在历史上的第11个月内的故障状态,在该月中,故障状态信息表征该目标电力终端是异常的,用数值1表示,而第12个故障状态信息表征所述目标电力终端在最近一个月内的故障状态。
步骤102,在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
该步骤中,在所述故障标识表征所述目标电力终端容易发生故障的情况下,即在所述故障标识为数值1的情况下,可以基于所述目标电力终端的位置确定所述故障点的位置。
可以将所述目标电力终端的位置直接确定为所述故障点的位置,也可以将与所述目标电力终端的位置存在映射关系的位置确定为所述故障点的位置,这里不做具体限定。
本实施例中,通过在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。如此,在监测到电力网络发生故障的情况下,若确定故障点对应的目标电力终端容易发生故障,则可以基于该目标电力终端的位置快速且精确地锁定故障点的位置,从而可以降低电力巡检的时间成本。
可选的,所述步骤101具体包括:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
本实施方式中,所述故障点对应的目标电力终端的故障标识的确定方式可以有两种,第一种是从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识。
所述终端监测状态库中存储有所述电力网络中各电力终端的故障标识,且其存储可以有多种,比如,将所有电力终端的终端标识与其故障标识关联存储在一个库中,形成终端监测状态库。
相应的,可以从终端监测状态库中获取与所述目标电力终端的终端标识关联的故障标识,得到所述目标电力终端的故障标识。
又比如,所述终端监测状态库中包括第一终端监测状态库和第二终端监测状态库,所述第一终端监测状态库存储容易发生故障的电力终端的终端标识,即存储故障标识为1的电力终端,所述第二终端监测状态库存储不容易发生故障的电力终端的终端标识,即存储故障标识为0的电力终端。
相应的,可以比对目标电力终端的终端标识与第一终端监测状态库中电力终端的终端标识,确定第一终端监测状态库中是否存在目标电力终端的终端标识,在存在的情况下,确定所述目标电力终端的故障标识为1。而在不存在的情况下,确定所述目标电力终端的故障标识为0。
第二种是获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识。所述故障预测模型可以为深度学习模型,如循环神经网络模型或长短期记忆(Long Short-TermMemory,LSTM)卷积网络模型等。
其中,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。举个例子来说,目标电力终端的故障状态数据包括所述目标电力终端的12个故障状态信息,每个故障状态信息表征所述目标电力终端在一个月内是正常还是异常的运行状态,如第1个故障状态信息表征所述目标电力终端在历史上的第12个月内的故障状态,在该月中,故障状态信息表征该目标电力终端是正常的,用数值0表示,第2个故障状态信息表征所述目标电力终端在历史上的第11个月内的故障状态,在该月中,故障状态信息表征该目标电力终端是异常的,用数值1表示,而第12个故障状态信息表征所述目标电力终端在最近一个月内的故障状态。
在实际应用中,可以选择其中任一种确定方式确定所述故障点对应的目标电力终端的故障标识,也可以首先通过第一种方式查询终端监测状态库中是否存在目标电力终端的终端标识,若存在,则可以直接确定所述目标电力终端的故障标识。若不存在,如在一应用场景中,由于电力网络中新增了一个电力终端,预先创建的终端监测状态库中并未存储该电力终端的故障标识,则可以基于第二种方式确定,这样,可以提高处理速度。
可选的,所述从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识之前,所述方法还包括:
获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
基于所述训练样本数据对所述故障预测模型进行训练;
在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
本实施方式中,可以对故障预测模型进行训练,并基于训练好的故障预测模型来获取所述电力网络中各电力终端的故障标识,之后可以基于各电力终端的故障标识,创建终端监测状态库。
具体的,可以获取训练样本数据,训练样本数据包括多个监测点的故障状态数据和故障标签,这里监测点可以指的是为训练电力终端所设置的监测点,训练电力终端可以为用于训练故障预测模型的电力终端,其可以为所述电力网络中的电力终端,也可以为其他智能电网的电力终端,这里不进行具体限定。
可以通过所设置的监测点对智能电网中各电力终端的运行数据进行监控,以获取各电力终端的故障状态数据,由于所设置的监测点监测的是电力终端的运行数据,因此,监测点的故障状态数据即表征的是电力终端的故障状态数据。而电力终端的运行数据可以指的是在一段时间周期如一年内电力终端的工作状态、故障表现、维修和恢复过程等数据。
在获取到电力终端的运行数据的情况下,可以对电力终端的运行数据进行故障分析,根据分析结果对监测点的故障状态进行标注,在标注过程中,可以针对不同时间段的运行数据,对监测点的故障状态进行分别标注。
比如,针对监测点n,可以针对每个月的运行数据,对监测点n的故障状态进行标注,最终得到在时间序列上的多个故障状态信息,从而构成监测点n的故障状态数据。可以用Xn={xn:0;xn:1;xn:0;…;xn:1},其中Xn表示监测点n的故障状态数据,数值0表示在某一时间段内电力终端的故障状态为正常,数值1表示在某一时间段内电力终端的故障状态为异常。
获取到监测点的故障状态数据之后,可以基于监测点的故障状态数据对监测点的故障标识进行标注,最终得到监测点的故障标签。其中,数值0表示不容易发生故障的监测点,数值1表示容易发生故障的监测点。
也就是说,所述训练样本数据的获取过程是在一定时间周期内进行电力终端的运行数据收集、处理和标注,最终输入到故障预测模型的监测点的故障状态数据具有时间连续性,即一次输入到故障预测模型的电力终端的故障状态数据为一组连续采集的该电力终端的故障状态所组成的矩阵。其中,监测点n的故障状态和故障标签可以是根据实际监测的运行数据来人工或自动标识的,监测点的逻辑状态标识示例见表1所示。
表1监测点的逻辑状态标识表
监测点 | 故障状态信息 | 故障标签 |
监测点1 | 0 | 0 |
监测点2 | 1 | 1 |
监测点3 | 0 | 0 |
... | ... | ... |
监测点n | 1 | 0 |
之后,可以基于所述训练样本数据对所述故障预测模型进行训练,由于故障状态数据可看作为基于时间序列的数据组,因此,故障预测模型可以使用LSTM卷积网络模型,且在LSTM卷积网络模型之前,可以使用卷积层+线性整流函数的结构来提取输入数据的特征信息,卷积层可以使用大小为3x3的卷积核,这样所建立的故障预测模型可以提高电力终端的故障标识的预测准确性。
建立故障预测模型之后,可以将训练样本数据中的故障状态数据输入到故障预测模型进行训练,并可以使用二分类交叉熵损失函数来完成模型训练过程的二分类模型训练任务。
参见图2,图2是故障预测模型的训练流程图,如图2所示,其流程包括如下步骤:
步骤201,获取训练样本数据,对故障预测模型的参数进行初始化;
步骤202,从训练样本数据中取一训练样本输入至故障预测模型,经前向传播阶段,获得故障预测模型的输出;
步骤203,确定故障预测模型的输出与该训练样本中的故障标签的差异,通过后向传播阶段调整故障预测模型的参数;
步骤204,判断是否完成了一组训练样本的训练,且故障预测模型对故障标识预测的指标是否满足精度要求;若是,则执行步骤205;若否,则返回执行步骤202;
步骤205,故障预测模型训练完成,将所述故障预测模型用于对所述电力网络中各电力终端的故障标识预测。
进一步的,在故障预测模型训练完成的情况下,可以采用上述相同的方式获取所述电力网络中各电力终端的故障状态数据,针对每个电力终端,将该电力终端的故障状态数据输入至训练好的故障预测模型,即可输出该电力终端的故障标识,最终得到所述电力网络中各电力终端的故障标识。
基于所述电力网络中各电力终端的故障标识,即可创建所述终端监测状态库。其创建方式可以有多种,比如,可以将所有电力终端的终端标识与其故障标识关联存储在一个库中,创建终端监测状态库。
又比如,所述终端监测状态库可以包括第一终端监测状态库和第二终端监测状态库,所述第一终端监测状态库存储容易发生故障的电力终端的终端标识,即存储故障标识为1的电力终端,所述第二终端监测状态库存储不容易发生故障的电力终端的终端标识,即存储故障标识为0的电力终端。相应的,可以将故障标识为1的电力终端存储至第一终端监测状态库中,将故障标识为0的电力终端存储至第二终端监测状态库中。
本实施方式中,通过结合智能电网的电力大数据和深度学习模型,来对电力网络中各电力终端的故障标识进行预测,并构建终端监测状态库,从而可以基于该终端监测状态库对电力网络中的故障点进行快速分析,如此,可以快速锁定故障点的位置,降低电力巡检的时间成本。并且,在保障系统总体可靠性前提下,通过工作优化模块,实现减少派工总量,提高派工效率的目标。
可选的,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库的步骤包括:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
本实施方式中,当故障预测模型对发生故障风险概率较低的电力终端达到一定非易发风险可信度后,满足非易发条件后,可以使用该故障预测模型针对电力终端的故障状态数据向该电力终端标识出表征不容易发生故障的故障标识,将该电力终端添加到第二终端监测状态库中,这样可以减少对该电力终端的监测部署以便于降低电力网络的运行成本。
对于判断为发生故障风险概率较高的电力终端,可以向该电力终端标识出表征容易发生故障的故障标识,将该电力终端添加到第一终端监测状态库中,通过对第一终端监测状态库中的电力终端进行针对性加强监测,加强部署监测预防故障,及时快速响应故障,提高全网工作可靠性的优化目标,由此提高智能电网处理大数据能力的智能化效力。
并且,通过将容易发生故障的电力终端和不容易发生故障的电力终端分开存储,在电力网络中发生故障的情况下,还可以提高故障点对应的目标电力终端的故障标识的匹配效率。
可选的,获取所述第一监测点的故障状态数据包括:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
本实施方式中,第一监测点的运行数据包括所述第一监测点的维护信息,该维护信息可以包括电力终端的维修和恢复过程等数据,该维护信息结合电力终端的工作状态和故障表现,可以提高监测点的故障状态数据的准确性。
比如,某一监测点在一个月内虽然大部分时间其工作状态是正常的,但是其维修了多次,在该种应用场景下,可以标定该监测点在该月的故障状态为异常。
下面对本发明实施例提供的故障检测装置进行说明。
参见图3,图中示出了本发明实施例提供的故障检测装置的结构示意图。如图3所示,故障检测装置300包括:
第一确定模块301,用于在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
第二确定模块302,用于在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
可选的,所述第一确定模块301,具体用于:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
可选的,所述装置还包括:
获取模块,用于获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
训练模块,用于基于所述训练样本数据对所述故障预测模型进行训练;
第三确定模块,用于在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
创建模块,用于基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
可选的,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述创建模块,具体用于:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
可选的,所述获取模块,具体用于:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
故障检测装置300能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本发明实施例中,通过第一确定模块301,用于在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;并通过第二确定模块302,用于在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。如此,在监测到电力网络发生故障的情况下,若确定故障点对应的目标电力终端容易发生故障,则可以基于该目标电力终端的位置快速锁定故障点的位置,从而可以降低电力巡检的时间成本。
下面对本发明实施例提供的电子设备进行说明。
参见图4,图中示出了本发明实施例提供的电子设备的结构示意图。如图4所示,电子设备400包括:处理器401、存储器402、用户接口403和总线接口404。
处理器401,用于读取存储器402中的程序,执行下列过程:
在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
在图4中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器401代表的一个或多个处理器和存储器402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链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口404提供接口。针对不同的用户设备,用户接口403还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器401负责管理总线架构和通常的处理,存储器402可以存储处理器401在执行操作时所使用的数据。
可选的,处理器401,具体用于:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
可选的,处理器401,还用于:
获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
基于所述训练样本数据对所述故障预测模型进行训练;
在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
可选的,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,处理器401,具体用于:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
可选的,处理器401,具体用于:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
优选的,本发明实施例还提供一种电子设备,包括处理器401,存储器402,存储在存储器402上并可在所述处理器401上运行的计算机程序,该计算机程序被处理器401执行时实现上述故障检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述故障检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种故障检测方法,其特征在于,所述方法包括:
在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
2.根据权利要求1所述的方法,其特征在于,所述确定所述故障点对应的目标电力终端的故障标识的步骤包括:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
3.根据权利要求2所述的方法,其特征在于,所述从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识之前,所述方法还包括:
获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
基于所述训练样本数据对所述故障预测模型进行训练;
在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
4.根据权利要求3所述的方法,其特征在于,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库的步骤包括:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
5.根据权利要求3所述的方法,其特征在于,获取所述第一监测点的故障状态数据包括:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
6.一种故障检测装置,其特征在于,所述装置包括:
第一确定模块,用于在监测到电力网络中存在故障点的情况下,确定所述故障点对应的目标电力终端的故障标识,所述故障标识用于表征所述目标电力终端是否容易发生故障;
第二确定模块,用于在所述故障标识表征所述目标电力终端容易发生故障的情况下,基于所述目标电力终端的位置确定所述故障点的位置。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,具体用于:
从预先创建的终端监测状态库中获取所述故障点对应的目标电力终端的故障标识,所述终端监测状态库存储有所述电力网络中各电力终端的故障标识;或者,
获取所述目标电力终端的故障状态数据,将所述目标电力终端的故障状态数据输入至故障预测模型进行故障标识预测,得到所述目标电力终端的故障标识,所述目标电力终端的故障状态数据包括所述目标电力终端在时间序列上的至少一个故障状态信息。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取训练样本数据,所述训练样本数据包括多个监测点的故障状态数据和故障标签,其中,第一监测点的故障标签为基于所述第一监测点的故障状态数据所标定的故障标识,所述第一监测点为所述多个监测点中的任一监测点;
训练模块,用于基于所述训练样本数据对所述故障预测模型进行训练;
第三确定模块,用于在所述故障预测模型训练完成的情况下,基于所述故障预测模型确定所述电力网络中各电力终端的故障标识;
创建模块,用于基于所述电力网络中各电力终端的故障标识,创建所述终端监测状态库。
9.根据权利要求8所述的装置,其特征在于,所述终端监测状态库包括第一终端监测状态库和第二终端监测状态库,所述创建模块,具体用于:
将所述电力网络中故障标识表征容易发生故障的电力终端存储至第一终端监测状态库;
将所述电力网络中故障标识表征不容易发生故障的电力终端存储至第二终端监测状态库。
10.根据权利要求8所述的装置,其特征在于,所述获取模块,具体用于:
按照时间顺序监测至少一个时间段内所述第一监测点的运行数据,得到所述第一监测点的运行数据序列,所述运行数据包括所述第一监测点的维护信息;
基于所述运行数据序列,获取所述第一监测点的故障状态数据。
11.一种电子设备,其特征在于,所述电子设备包括:包括处理器,存储器,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,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的故障检测方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541253.XA CN115372752A (zh) | 2021-05-18 | 2021-05-18 | 故障检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541253.XA CN115372752A (zh) | 2021-05-18 | 2021-05-18 | 故障检测方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115372752A true CN115372752A (zh) | 2022-11-22 |
Family
ID=84058967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541253.XA Pending CN115372752A (zh) | 2021-05-18 | 2021-05-18 | 故障检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115372752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
-
2021
- 2021-05-18 CN CN202110541253.XA patent/CN115372752A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
CN115860714B (zh) * | 2022-11-28 | 2023-08-08 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107819627B (zh) | 系统故障处理方法及服务器 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN109408361A (zh) | Monkey测试复原方法、装置、电子设备及计算机可读存储介质 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN112541011A (zh) | 基于rpa和ai的电网终端故障处理方法及装置 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN116414608A (zh) | 异常检测方法、装置、设备及存储介质 | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
CN111062604B (zh) | 基于气象灾害的电网业务风险评估方法、装置及设备 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN112799957A (zh) | 基于用户行为的故障处理方法、系统、设备和介质 | |
CN113537519A (zh) | 一种识别异常设备的方法和装置 | |
CN107886180A (zh) | 航司创单接口监控方法、装置、电子设备、存储介质 | |
CN110674839A (zh) | 异常用户识别方法、装置、存储介质及电子设备 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN113487182B (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
CN116719655A (zh) | 故障处理方法、装置、电子设备及存储介质 |
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 |