CN115630949A - 基于人工智能的电力设备检测系统及方法 - Google Patents
基于人工智能的电力设备检测系统及方法 Download PDFInfo
- Publication number
- CN115630949A CN115630949A CN202211352949.9A CN202211352949A CN115630949A CN 115630949 A CN115630949 A CN 115630949A CN 202211352949 A CN202211352949 A CN 202211352949A CN 115630949 A CN115630949 A CN 115630949A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- equipment information
- unit
- detection
- information
- 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 186
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000013499 data model Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 241000283153 Cetacea Species 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 3
- 230000000875 corresponding effect Effects 0.000 claims 1
- 230000001960 triggered effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 18
- 230000005856 abnormality Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000272205 Columba livia Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了基于人工智能的电力设备检测系统及方法,该系统包括电力设备信息获取单元、电力设备信息标准格式单元、故障异常发现单元、电力设备检测标准设定单元、电力设备信息动态录入更新单元、电力设备检测单元、电力设备协调检测单元、电力设备数据模型算法单元、检测结果发送单元、检测数据反馈单元。本发明提供的基于人工智能的电力设备检测系统及方法通过算法自动发现需要进行一致性检测的电力设备信息数据,通过机器特征提取电力设备信息一致性检测规则,降低了电力设备信息一致性检测的漏报、误报率,降低了人力成本,提高了一致性检测的效率。
Description
技术领域
本发明涉及电力设备检测的领域,尤其涉及基于人工智能的电力设备检测系统及方法。
背景技术
通常,为了掌握设备运行状况,及时发现设备隐患,监视设备运行动态,确保设备的安全运行,需要电力巡检机器人对各种仪表、信号指示装置是否正常,电流、电压、有功、无功等参数是否在允许范围内进行定期的巡检监控。然而,电力巡检机器人在进行定期的电力巡检任务前,需要知道应该在何处进行何种类型的巡检,即每个巡检设备的位置坐标和巡检的设备类型。一般来说,可以通过人工预先控制机器人到达每个巡检点,记录当前巡检点的设备位置坐标和需要巡检的设备类型:亦或巡检机器人通过场景图片的拍摄,基于各种电力设备的检测方法,从而获得设备的位置坐标和需要巡检的设备类型,即基于视觉系统进行。
然而,传统上,基于视觉系统的电力设备检测主要基于滑动窗口的方式,通过边缘、灰度梯度和几何特性等方式完成设备的定位和类型识别。但由于光照、阴影等使得图像中的噪声和各种干扰信息过多,加之设备的多样性,传统的视觉方法无法有效的完成上述任务。因此,大多数的巡检机器人都依赖于人工的方式设定巡检点来完成设备巡检任务。即通过人工预先控制机器人到达每个巡检点,记录当前巡检点的设备位置坐标和需要巡检的设备类型,然后当机器人巡检时,再读取这些信息来完成设备的定位和巡检。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供基于人工智能的电力设备检测系统及方法。
本发明所采用的技术方案是,基于人工智能的电力设备检测系统,所述系统包括:电力设备信息获取单元、电力设备信息标准格式单元、故障异常发现单元、电力设备检测标准设定单元、电力设备信息动态录入更新单元、电力设备检测单元、电力设备协调检测单元、电力设备数据模型算法单元、检测结果发送单元、检测数据反馈单元,其中,
所述电力设备信息获取单元用于对待检测电力设备信息进行读取配置,所述电力设备信息获取单元与所述电力设备信息标准格式单元电连接;
所述电力设备信息标准格式单元用于根据所述电力设备信息获取单元的电力设备信息读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成后续单元约定的格式,所述电力设备信息标准格式单元分别与所述电力设备信息获取单元、所述故障异常发现单元以及所述电力设备数据模型算法单元电连接;
所述故障异常发现单元用于自动发现所述电力设备信息标准格式单元中标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测,所述故障异常发现单元分别与所述电力设备信息标准格式单元、所述电力设备信息一致性检测规则生成与更新单元以及所述电力设备检测单元电连接;
所述电力设备检测标准设定单元用于对系统中进行标准参数的设定,所述电力设备信息规则配置单元与所述电力设备信息动态录入更新单元电连接;
所述电力设备信息动态录入更新单元用于根据所述检测规则配置单元用户自定义或默认的一致性检测规则参数、所述电力设备信息标准格式单元标准化后的历史电力设备信息对检测规则,以及故障异常发现单元自动发现(挖掘)的需要进行一致性检测电力设备信息进行一致性检测规则特征提取,所述电力设备信息动态录入更新单元分别与所述检测规则配置单元、所述电力设备信息标准格式单元以及故障异常发现单元电连接;
所述电力设备检测单元用于支持人工对所述电力设备信息动态录入更新单元自生成的模型参数进行修改和调整,完善检测规则,或者由人工自主定义新的检测规则,所述电力设备检测单元分别与所述故障异常发现单元以及所述电力设备信息动态录入更新单元电连接;
所述电力设备协调检测单元用于完成系统中各个功能单元的统一调度和执行,所述电力设备协调检测单元分别与所述检测规则配置单元以及所述检测结果发送单元电连接;
所述电力设备数据模型算法单元用于根据所述电力设备信息动态录入更新单元自生成的电力设备信息检测规则综合所述电力设备检测单元的人工自定义规则对新增待一致性检测电力设备信息进行计算,并判断该新增电力设备信息是否触发一致性异常警报信号,所述电力设备数据模型算法单元分别与所述电力设备信息动态录入更新单元、所述电力设备检测单元以及所述检测结果发送单元电连接;
所述检测结果发送单元根据电力设备数据模型算法单元的计算结果向电力设备信息管理员发出相关警报信号,所述检测结果发送单元分别与所述电力设备数据模型算法单元以及所述检测数据反馈单元电连接;
所述检测数据反馈单元用于接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈给所述电力设备信息动态录入更新单元根据人工反馈对模型进行调整和优化,所述检测数据反馈单元分别与所述电力设备信息动态录入更新单元以及所述检测结果发送单元电连接。
进一步地,所述电力设备信息标准格式单元包括待检测电力设备信息读取块子单元以及电力设备信息格式标准化子单元,所述待检测电力设备信息读取块子单元用于根据所述电力设备信息获取单元所设置好的电力设备信息读取方式对待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取,所述电力设备信息格式标准化子单元用于将所述待检测电力设备信息读取块子单元读取的电力设备信息标准化成所述电力设备信息动态录入更新单元、电力设备数据模型算法单元可识别的标准电力设备信息格式。
进一步地,所述故障异常发现单元包括数值型电力设备信息数据筛选子单元以及强相关电力设备信息数据对筛选子单元,所述数值型电力设备信息数据筛选子单元用于将数值型数据筛选出来,所
述强相关电力设备信息数据对筛选子单元用于筛选出强相关电力设备信息数据。
进一步地,所述检测规则配置单元的检测规则模型为参数动态更新电力设备信息的检测模型。
基于人工智能的电力设备检测方法,包括:
步骤S1,对待检测电力设备信息进行读取配置;
步骤S2,根据读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成约定的格式;
步骤S3,寻找发现标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测;
步骤S4,对系统中进行标准参数的设定;
步骤S5,根据步骤S2中标准化后的电力设备信息、步骤S3中需要进行一致性检测的电力设备信息数据以及步骤S4中自动检测规则模型的超参数进行一致性检测规则特征提取;
步骤S6,人工对步骤S5中自生成的一致性检测规则进行修改和调整,完善检测规则;
步骤S7,根据步骤S5中自生成的一致性检测规则以及步骤S6中人工修改的一致性检测规则对待检测电力设备信息进行一致性计算,并判断该新增电力设备信息是否触发一致性异常警报信号。
步骤S8:根据步骤S7中的计算结果向电力设备信息管理员发出相关警报信号。
进一步地,所述步骤S8之后还包括步骤S9:接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈到步骤S5中,对一致性检测特征提取规则进行调整和优化。
进一步地,所述步骤S2具体包括:
步骤S21,根据读取配置,对电力设备信息库中的待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取;
步骤S22,把读取出的电力设备信息标准化成约定的格式。
进一步地,所述步骤S3具体包括:
步骤S31,从待检测电力设备信息表中筛选出数值型电力设备信息数据;
步骤S32,根据筛选出的数值型数据历史电力设备信息,计算相关数据电力设备信息的协方差矩阵,得
到数据电力设备信息间的相关性度量;
步骤S33,得到的不同电力设备信息数据相关度,筛选出强相关电力设备信息数据。
进一步地,所述步骤S5具体包括:
步骤S51,判断待检测电力设备信息是否为新的待检测电力设备信息数据;
步骤S52,如果判断为新的电力设备信息数据,则进行一致性检测规则模型参数学习;
步骤S53,如果判断不是新电力设备信息数据,则判断当前时间点是否为待一致性检测电力设备信息的更新时间点。如果到达更新时间点,则对待一致性检测规则模型参数进行更新调整。
进一步地,所述步骤S52具体包括:
步骤S521,假设两个待一致性检查数据对应的电力设备信息变量;
步骤S522,根据历史电力设备信息进行线性回归,得到线性模型回归模型;
步骤S523,计算线性回归模型与真实电力设备信息值的差值;
步骤S524,计算历史差值的均值和标准差,得到鲸鱼算法的参数。
与现有技术相比,本发明提供的基于人工智能的电力设备检测系统及方法,通过机器特征提取对电力设备信息一致性进行检测,降低了漏报、误报率,同时大大降低了人工成本,提高了检测效率。
附图说明
图1为本发明的基于人工智能的电力设备检测系统的结构示意图;
图2为本发明的基于人工智能的电力设备检测方法的流程图;
图3为本发明的基于人工智能的电力设备检测方法的步骤S200的具体流程图;
图4为本发明的基于人工智能的电力设备检测方法的步骤S300的具体流程图;
图5为本发明的基于人工智能的电力设备检测方法的步骤S500的具体流程图;
图6为本发明的基于人工智能的电力设备检测方法的步骤S502的具体流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,基于人工智能的电力设备检测系统及方法,
如图1所示,为本发明基于人工智能的电力设备检测系统的一种实施例,该基于人工智能的电力设备检测系统包括电力设备信息获取单元1、电力设备信息标准格式单元2、故障异常发现单元3、电力设备检测标准设定单元4、电力设备信息动态录入更新单元5、电力设备检测单元6、电力设备协调检测单元7、电力设备数据模型算法单元8、检测结果发送单元9、检测数据反馈单元10,其中,
所述电力设备信息获取单元1用于对待检测电力设备信息进行读取配置,所述电力设备信息获取单元1与所述电力设备信息标准格式单元2电连接。电力设备信息获取单元1允许用户通过用户界面(基于Web或移动App的用户界面),对待检测电力设备信息的电力设备信息源(包括:电力设备信息库类型、IP地址、用户、密码、待检测电力设备信息所在的电力设备信息表、待检测电力设备信息在表中的数据名等)、或者待检测电力设备信息前端读取接口进行配置;同时也可以支持用户输入符合系统设计标准的电力设备信息读取源代码脚本(例如:用python语言编写的电力设备信息读取脚本)。当用户在用户界面设置完成并确认后,设置的内容将通过应用服务器(可采用微服务的方式实现)将设置内容写入应用电力设备信息库(可采用mysql,postgresql,mongo等电力设备信息库)。
所述电力设备信息标准格式单元2用于根据所述电力设备信息获取单元1的电力设备信息读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成后续单元约定的格式,所述电力设备信息标准格式单元2分别与所述电力设备信息获取单元1、所述故障异常发现单元3以及所述电力设备数据模型算法单元8电连接。电力设备信息标准格式单元2,一般包含以下子单元:(1)待检测电力设备信息读取单元21。该单元根据单元1所设置好的电力设备信息读取方式对待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取。该单元一般通过计算服务单元来完成。面对海量的待检测电力设备信息,通常该计算服务单元可采用Apache Spark,Apache SparkStreaming等分布式计算引擎来实现,也可以采用弹性可扩展的微服务架构完成实时计算。电力设备信息读取单元根据用户输入的电力设备信息库类型、IP地址、用户、密码、待检测电力设备信息所在的电力设备信息表、待检测电力设备信息在表中的数据名等参数调用对应的电力设备信息库读取代码库对电力设备信息进行读取。如果用户配置了待检测电力设备信息的前端读取接口,则该单元根据配置的电力设备信息读取地址和参数进行电力设备信息获取。为了支持更丰富的电力设备信息读取方式,该单元也支持用户输入符合规范的电力设备信息读取代码脚本供计算服务单元调用获取电力设备信息。(2)电力设备信息格式标准化单元22。该单元将单元21读取的电力设备信息标准化成单元5、单元8可识别的标准电力设备信息格式,例如(key,value)、或者n维电力设备信息帧(DataFrame)的格式。
所述故障异常发现单元3用于自动发现所述电力设备信息标准格式单元2中标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测,所述故障异常发现单元3分别与所述电力设备信息标准格式单元2、电力设备信息一致性检测规则生成与更新单元5以及所述电力设备检测单元6电连接。故障异常发现单元3,该模型能够自动发现单元2中标准化后待检测电力设备信息表中哪些电力设备信息需要进行一致性检测,解决传统人工查找、定义需要一致性检测的数据存在的效率低,容易遗漏的缺点。该单元主要由以下两个单元组成:(1)数值型电力设备信息数据筛选子单元。本发明主要解决数值型电力设备信息数据一致性检测的问题,所以需要首先将电力设备信息型数据筛选出来,在实现上,首先对电力设备信息数据类型标记为数值型的数据(2)强相关电力设备信息数据对筛选子单元32,该强相关电力设备信息数据筛选子单元32主要由以下步骤实现:
步骤1:根据单元31筛选出的数值型数据历史电力设备信息,计算相关数据电力设备信息的协方差矩阵,得到数据电力设备信息间的相关性度量;
步骤2:根据步骤1计算得到的不同电力设备信息数据相关度,筛选出强相关电力设备信息数据(相关度大于一定阈值)。
所述电力设备检测标准设定单元4用于对系统中进行标准参数的设定,所述电力设备信息规则配置单元4与所述电力设备信息动态录入更新单元5电连接。电力设备检测标准设定单元4,主要对系统中默认支持的检测参数进行配置,或自定义的电力设备信息一致性检测规则进行配置。当两个电力设备信息数据高度线性相关(一致)时,通过一个数据对另一个进行线性回归,然后计算回归的值与待检测值的差值。假设这一差值服从正态分布,则当待检测数值与回归值的差值超过历史差值标准差的2倍以上时发出二级警报信号;当该差值大于历史差值标准差4倍以上时发出一级警报信号。
所述电力设备信息动态录入更新单元5用于根据所述检测规则配置单元4用户自定义或默认的一致性检测规则参数、所述电力设备信息标准格式单元2标准化后的历史电力设备信息对检测规则,以及故障异常发现单元3自动发现(挖掘)的需要进行一致性检测电力设备信息进行一致性检测规则特征提取,所述电力设备信息动态录入更新单元5分别与所述检测规则配置单元3、所述电力设备信息标准格式单元2以及故障异常发现单元4电连接;该单元根据系统默认的一致性检测规则模型,利用单元3检测出的强相关性数据对应的标准化后待检测历史电力设备信息对检测规则进行特征提取。根据电力设备信息的特性,我们可以设置如下一致性规则检测模型。
参数动态更新电力设备信息的检测模型:电力行业的数值型电力设备信息中常常会出现近似线性相关的两个变量,例如基金的评级得分和基金的评级级别一般符合近似线性的关系。对两线性相关(电力设备信息)。首先,根据历史电力设备信息进行线性回归,得到线性模型;然后,计算线性模型预测值与电力设备信息真实值的差值,并对这些差值建立相应的高斯模型(即估计这些差值的均值和标准差)。
电力设备信息一致性检测规则自生产与更新单元5可以设计成包含以下步骤:
步骤1:判断待检测电力设备信息是否为新的待检测电力设备信息数据;
步骤2:如果步骤1判断为新的电力设备信息数据,则进行一致性检测规则模型参数学习41,计算步骤如下:
步骤2_1:假设两个待一致性检查数据对应的电力设备信息变量为x和y;
步骤2_2:根据历史电力设备信息进行线性回归,得到线性模型回归模型。参数的估计方法可以采用最小二乘法、最大似然法等方法。
步骤2_3:计算线性回归模型与真实电力设备信息值的差值;
步骤2_4:计算历史差值的均值和标准差,得到鲸鱼算法,的参数。
步骤3:如果不是新的待一致性检测电力设备信息,则判断当前时间点是否为待一致性检测电力设备信息的更新时间点。如果到达更新时间点,则对待一致性检测规则模型参数进行更新调整42(计算方法如前所述,可以根据全量历史电力设备信息进行更新、也可以根据最近一段时间内历史电力设备信息进行更新)。否则结束当前单元。
这里就电力设备信息一致性检测规则自生产与更新单元5中阐述的几种常用自动检测规则模型,获得新的待检测电力设备信息后的检测计算方法进行介绍:
当输入待检测电力设备信息时,利用前面建立的线性模型,计算计算预测值,然后计算预测值与待检测电力设备信息的差值,再将该差值输入单元4计算得到的预测值与真实值差值的高斯模型,得到该差值出现的概率,当该概率低于设定的数值时(由单元4进行配置),则发出不同级别的警报信号信号。
如果单元4步骤2_4建立的是混合高斯模型,则需要将当前差值代入训练好的混合高斯模型,当输入数值的概率低于设定的数值时(由单元4进行配置),则发出不同级别的警报信号信号。
上述的电力设备信息检测计算可以通过Apache Spark计算引擎实现。对实时性要求较高的可通过Spark Streaming,或者Apache Spark Flink来完成计算。
所述电力设备检测单元6用于支持人工对所述电力设备信息动态录入更新单元5自生成的模型参数进行修改和调整,完善检测规则,或者由人工自主定义新的检测规则,所述电力设备检测单元6分别与所述故障异常发现单元3以及所述电力设备信息动态录入更新单元5电连接;采用机器学习产生的电力设备信息一致性检测规则,在历史正常电力设备信息较少的情况,容易出现检测规则不够完善的情况,电力设备信息动态录入更新单元5支持人工对自动生成的检测规则进行修改和添加新的规则。让自动生成规则与人工规则相配合,提高系统的灵活性及适应性。
所述电力设备协调检测单元7用于完成系统中各个功能单元的统一调度和执行,所述电力设备协调检测单元7分别与所述检测规则配置单元4以及所述检测结果发送单元9电连接;
所述电力设备数据模型算法单元8用于根据所述电力设备信息动态录入更新单元5自生成的电力设备信息检测规则综和所述电力设备检测单元6的人工自定义规则对新增待一致性检测电力设备信息进行计算,并判断该新增电力设备信息是否触发一致性异常警报信号,所述电力设备数据模型算法单元8分别与所述电力设备信息动态录入更新单元5、所述电力设备检测单元6以及所述检测结果发送单元9电连接;
所述检测结果发送单元9根据电力设备数据模型算法单元8的计算结果向电力设备信息管理员发出相关警报信号,所述检测结果发送单元9分别与所述电力设备数据模型算法单元8以及所述检测数据反馈单元10电连接。该单元将电力设备数据模型算法单元8输出的电力设备信息质量检测警报信号信息,包括触发警报信号的电力设备信息基本信息及警报信号级别等,利用消息推送系统,通过微信、短信、应用App等渠道推送给客户。例如:App推送可通过MQTT、XMPP等协议实现,也可以调用华为推送、阿里云移动推送、腾讯信鸽推送等第三方平台实现。
所述检测数据反馈单元10用于接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈给所述电力设备信息动态录入更新单元5根据人工反馈对模型进行调整和优化,所述检测数据反馈单元10分别与所述电力设备信息动态录入更新单元5以及所述检测结果发送单元9电连接。该单元主要接收电力设备信息管理员对电力设备信息检测警报信号的反馈信息,并将该反馈信息反馈给电力设备信息检测规则更新单元(单元4)根据人工反馈对检测规则进行调整和优化。如果人工反馈发出警报信号的信号为假信号,则需要反馈给单元4根据当前输入数值及时进行检测规则调整。
如图2所示,为本发明基于人工智能的电力设备检测方法的一种实施例,该方法包括:
步骤S100,对待检测电力设备信息进行读取配置;
步骤S200,根据读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成约定的格式;
步骤S300,寻找发现标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测;
步骤S400,对系统中进行标准参数的设定;
步骤S500,根据步骤S200中标准化后的电力设备信息、步骤S300中需要进行一致性检测的电力设备信息数据以及步骤S400中自动检测规则模型的超参数进行一致性检测规则特征提取;
步骤S600,人工对步骤S500中自生成的一致性检测规则进行修改和调整,完善检测规则;
步骤S700,根据步骤S500中自生成的一致性检测规则以及步骤S600中人工修改的一致性检测规则对待检测电力设备信息进行一致性计算,并判断该新增电力设备信息是否触发一致性异常警报信号;
步骤S800,根据步骤S700中的计算结果向电力设备信息管理员发出相关警报信号。
步骤S900,接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈到步骤S500中,对一致性检测特征提取规则进行调整和优化。
如图3所示,所述步骤S200具体包括:
步骤S201,根据读取配置,对电力设备信息库中的待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取;
步骤S202,把读取出的电力设备信息标准化成约定的格式。
如图4所示,所述步骤S300具体包括:
步骤S301,从待检测电力设备信息表中筛选出数值型电力设备信息数据;
步骤S302,根据筛选出的数值型数据历史电力设备信息,计算相关数据电力设备信息的协方差矩阵,得到数据电力设备信息间的相关性度量;
步骤S303,根据得到的不同电力设备信息数据相关度,筛选出强相关电力设备信息数据。
如图5所示,所述步骤S500具体包括:
步骤S501,判断待检测电力设备信息是否为新的待检测电力设备信息数据;
步骤S502,如果判断为新的电力设备信息数据,则进行一致性检测规则模型参数学习;
步骤S503,如果判断不是新电力设备信息数据,则判断当前时间点是否为待一致性检测电力设备信息的更新时间点。如果到达更新时间点,则对待一致性检测规则模型参数进行更新调整。
如图6所示,所述步骤S502具体包括:
步骤S5021,假设两个待一致性检查数据对应的电力设备信息变量;
步骤S5022,根据历史电力设备信息进行线性回归,0得到线性模型回归模型;
步骤S5023,计算线性回归模型与真实电力设备信息值的差值;
步骤S5024,计算历史差值的均值和标准差,得到鲸鱼算法的参数。
本发明提供基于人工智能的电力设备检测系统及检测方法,具有以下优点:
1、可以自动发现需要进行一致性检测的电力设备信息数据,极大的提高了电力设备信息一致性检测的效率、准确度和覆盖率。
2、发现需要进行一致性检测的数据后,根据电力设备信息数据的历史值,自动学习电力设备信息一致性检测规则,从而提高电力设备信息一致性检测的质量、效率及覆盖面。
在本发明描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (10)
1.基于人工智能的电力设备检测系统,其特征在于,所述系统包括:
电力设备信息获取单元,用于对待检测电力设备信息进行读取配置;
电力设备信息标准格式单元,用于根据所述电力设备信息获取单元的电力设备信息读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成后续单元约定的格式;
故障异常发现单元,用于自动发现所述电力设备信息标准格式单元中标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测;
电力设备检测标准设定单元,用于对系统中进行标准参数的设定;
电力设备信息动态录入更新单元,用于根据所述检测规则配置单元用户自定义或默认的一致性检测规则参数、所述电力设备信息标准格式单元标准化后的历史电力设备信息对检测规则,以及故障异常发现单元自动发现的需要进行一致性检测电力设备信息进行一致性检测规则特征提取;
电力设备检测单元,用于支持人工对所述电力设备信息动态录入更新单元自生成的模型参数进行修改和调整,完善检测规则,或者由人工自主定义新的检测规则;
电力设备协调检测单元,用于完成系统中各个功能单元的统一调度和执行;
电力设备数据模型算法单元,用于根据所述电力设备信息动态录入更新单元自生成的电力设备信息检测规则综合所述电力设备检测单元的人工自定义规则对新增待一致性检测电力设备信息进行计算,并判断该新增电力设备信息是否触发一致性异常警报信号;
检测结果发送单元,根据电力设备数据模型算法单元的计算结果向电力设备信息管理员发出相关警报信号;
检测数据反馈单元,用于接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈给所述电力设备信息动态录入更新单元根据人工反馈对模型进行调整和优化。
2.根据权利要求1所述的基于人工智能的电力设备检测系统,其特征在于,所述电力设备信息标准格式单元包括待检测电力设备信息读取块子单元以及电力设备信息格式标准化子单元,所述待检测电力设备信息读取块子单元用于根据所述电力设备信息获取单元所设置好的电力设备信息读取方式对待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取;
所述电力设备信息格式标准化子单元用于将所述待检测电力设备信息读取块子单元读取的电力设备信息标准化成所述电力设备信息动态录入更新单元、电力设备数据模型算法单元可识别的标准电力设备信息格式。
3.根据权利要求1所述的基于人工智能的电力设备检测系统,其特征在于,所述故障异常发现单元包括数值型电力设备信息数据筛选子单元以及强相关电力设备信息数据对筛选子单元,所述数值型电力设备信息数据筛选子单元用于将数值型数据筛选出来,所述强相关电力设备信息数据对筛选子单元用于筛选出强相关电力设备信息数据。
4.根据权利要求1所述的基于人工智能的电力设备检测系统,其特征在于,所述检测规则配置单元的检测规则模型为参数动态更新电力设备信息的检测模型。
5.基于人工智能的电力设备检测方法,其特征在于,包括:
步骤S1,对待检测电力设备信息进行读取配置;
步骤S2,根据读取配置,从电力设备信息库中读取待检测电力设备信息,并把电力设备信息标准化成约定的格式;
步骤S3,寻找发现标准化后的待检测电力设备信息表中哪些电力设备信息需要进行一致性检测;
步骤S4,对系统中进行标准参数的设定;
步骤S5,根据步骤S2中标准化后的电力设备信息、步骤S3中需要进行一致性检测的电力设备信息数据以及步骤S4中自动检测规则模型的超参数进行一致性检测规则特征提取;
步骤S6,人工对步骤S5中自生成的一致性检测规则进行修改和调整,完善检测规则;
步骤S7,根据步骤S5中自生成的一致性检测规则以及步骤S6中人工修改的一致性检测规则对待检测电力设备信息进行一致性计算,并判断该新增电力设备信息是否触发一致性异常警报信号;
步骤S8:根据步骤S7中的计算结果向电力设备信息管理员发出相关警报信号。
6.根据权利要求5所述的基于人工智能的电力设备检测方法,其特征在于,所述步骤S8之后还包括步骤S9:接收电力设备信息管理员对警报信号信息的反馈,并将该信息反馈到步骤S5中,对一致性检测特征提取规则进行调整和优化。
7.根据权利要求5所述的基于人工智能的电力设备检测方法,其特征在于,所述步骤S2具体包括:
步骤S21,根据读取配置,对电力设备信息库中的待检测电力设备信息或待检测电力设备信息的历史正常电力设备信息进行读取;
步骤S22,把读取出的电力设备信息标准化成约定的格式。
8.根据权利要求5所述的基于人工智能的电力设备检测方法,其特征在于,所述步骤S3具体包括:
步骤S31,从待检测电力设备信息表中筛选出数值型电力设备信息数据;
步骤S32,根据筛选出的数值型数据历史电力设备信息,计算相关数据电力设备信息的协方差矩阵,得到数据电力设备信息间的相关性度量;
步骤S33,根据得到的不同电力设备信息数据相关度,筛选出强相关电力设备信息数据。
9.根据权利要求5所述的基于人工智能的电力设备检测方法,其特征在于,所述步骤S5具体包括:
步骤S51,判断待检测电力设备信息是否为新的待检测电力设备信息数据;
步骤S52,如果判断为新的电力设备信息数据,则进行一致性检测规则模型参数学习;
步骤S53,如果判断不是新电力设备信息数据,则判断当前时间点是否为待一致性检测电力设备信息的更新时间点。如果到达更新时间点,则对待一致性检测规则模型参数进行更新调整。
10.根据权利要求9所述的基于人工智能的电力设备检测方法,其特征在于,所述步骤S52具体包括:
步骤S521,假设两个待一致性检查数据对应的电力设备信息变量;
步骤S522,根据历史电力设备信息进行线性回归,得到线性模型回归模型;
步骤S523,计算线性回归模型与真实电力设备信息值的差值;
步骤S524,计算历史差值的均值和标准差,得到鲸鱼算法的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352949.9A CN115630949A (zh) | 2022-10-29 | 2022-10-29 | 基于人工智能的电力设备检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352949.9A CN115630949A (zh) | 2022-10-29 | 2022-10-29 | 基于人工智能的电力设备检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630949A true CN115630949A (zh) | 2023-01-20 |
Family
ID=84909618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211352949.9A Pending CN115630949A (zh) | 2022-10-29 | 2022-10-29 | 基于人工智能的电力设备检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630949A (zh) |
-
2022
- 2022-10-29 CN CN202211352949.9A patent/CN115630949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240882B (zh) | 一种金融数据一致性检测系统及方法 | |
Fortes et al. | Context-aware self-healing: User equipment as the main source of information for small-cell indoor networks | |
CN113610788A (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
CN116032692A (zh) | 一种智能物联网关以及基于智能物联网关的物联网系统 | |
CN114337792A (zh) | 卫星通信信号故障诊断方法及装置 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN112988537A (zh) | 一种服务器故障诊断方法、装置及相关设备 | |
CN115630949A (zh) | 基于人工智能的电力设备检测系统及方法 | |
EP3751245A1 (en) | Smart sensor measurement system | |
CN115713234A (zh) | 一种基于工业大数据的设备风险分析预警系统及方法 | |
CN116016274B (zh) | 一种异常通讯检测方法和系统 | |
CN115356970A (zh) | 一种基于实时数据和运维数据的动环监控系统及方法 | |
CN111024239B (zh) | 一种基于图像识别技术的红外检测数据自动采集工具 | |
KR101984258B1 (ko) | 스마트공장과 클라우드 서버간 컨버징 방법 및 시스템 | |
CN115687427A (zh) | 一种基于大数据的信息服务系统及方法 | |
CN117729314B (zh) | 基于ai视觉的多区域监测系统及方法 | |
CN114979828B (zh) | 基于Modbus的物联网通信模块流量控制方法及系统 | |
CN117408680B (zh) | 一种基于物联网的智能化配电房管理方法及系统 | |
CN117591970B (zh) | 一种全自动组装设备的故障预警方法及系统 | |
CN110175187B (zh) | 一种建筑设备状态的确定方法及装置 | |
CN117498918A (zh) | 基于卫星信号强度的信号接收器控制方法及系统 | |
US20240176725A1 (en) | Device performance monitoring system | |
CN115577334A (zh) | 一种基于多模型融合的空管安全数据运行保障系统及方法 | |
CN114859119A (zh) | 一种基于gpib的频谱监测方法、系统、设备以及存储介质 | |
CN118138492A (zh) | 基于数字孪生的电力专网监测方法、系统、设备及介质 |
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 |