CN115792505B - 一种轨道交通供电管理方法及系统 - Google Patents
一种轨道交通供电管理方法及系统 Download PDFInfo
- Publication number
- CN115792505B CN115792505B CN202310052010.9A CN202310052010A CN115792505B CN 115792505 B CN115792505 B CN 115792505B CN 202310052010 A CN202310052010 A CN 202310052010A CN 115792505 B CN115792505 B CN 115792505B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- diagnosis
- power supply
- fault diagnosis
- 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.)
- Active
Links
Images
Classifications
-
- 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
Abstract
本发明涉及轨道交通运营管理技术领域,特别是涉及一种轨道交通供电管理方法、系统、计算机设备、存储介质和计算机程序产品。所述方法包括:获取供电系统的运行监测数据;基于在异常区间的运行监测数据确定供电系统的故障定位信息;基于故障定位信息获取故障定位信息所对应的包围区间内的目标运行监测数据,整合目标运行监测数据得到故障诊断数据,包围区间为在故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;将故障诊断数据输入预先构建的故障诊断模型,得到故障诊断模型输出的诊断结果,基于诊断结果确定修复方案。采用本方法能够提高供电系统中故障预测结果的精确度,提高供电系统的故障处理效率。
Description
技术领域
本申请涉及轨道交通运营管理技术领域,特别是涉及一种轨道交通供电管理方法、系统、计算机设备、存储介质和计算机程序产品。
背景技术
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路系统。随着火车和铁路技术的多元发展,轨道交通呈现出越来越多的类型,不仅遍布于长距离的陆地运输,也广泛运用于中短距离的城市公共交通中,在涉及人们的生产生活的各项活动中发挥着重要的作用。
轨道交通的安全运行离不开安全、规范、可靠的供电系统,供电系统是轨道交通运输的血液,是轨道交通的核心系统,供电系统一旦产生故障或中断,不仅会造成城市轨道交通运输的瘫痪,而且还会危及乘客生命安全,同时还会对地线公共交通运输带来巨大的压力,对社会稳定和城市形象造成不良影响。
随着我国的城市轨道交通建设的快速发展,轨道交通的供电系统的维护、检修作业成为了供电系统日常管理中的重点。由于轨道交通系统的复杂性,当轨道交通供电系统中出现故障时,通常难以对故障点进行快速定位以及故障点修复,导致轨道交通供电系统的故障恢复效率较低。
目前,为了提高轨道交通供电系统的故障恢复效率,通常可以对轨道交通供电系统中的线路及设备进行监测,获取线路及设备运行中的参数,提过参数确定故障点的位置以及大致的事故成因,从而进行处理。
然而,发明人发现,目前的供电系统管理方式,存在如下所述的技术问题:
轨道交通供电系统中的故障成因复杂,简单地根据异常数据进行分析,难以得到精确的分析结果,进而难以及时地实施有效的处理措施,容易导致轨道交通供电系统的检修恢复效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高供电系统中故障预测结果的精确度,提高供电系统的故障处理效率的一种轨道交通供电管理方法、系统、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种轨道交通供电管理方法。所述方法包括:
获取供电系统的运行监测数据,所述运行监测数据至少包括传输线路数据以及节点设备数据;
基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息;
基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;
将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
在其中一个实施例中,所述将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案之前,还包括:
获取历史故障数据,所述历史故障数据包括历史故障诊断数据以及对应的历史诊断结果,基于所述历史故障数据构建得到第一样本集;
随机生成预设数量的仿真故障诊断数据以及仿真诊断结果,将所述仿真故障诊断数据以及所述仿真诊断结果随机组合并构建为第二样本集;
构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型;
基于所述标记模型对所述第二样本集中的仿真样本进行标记,得到第三样本集;
将所述第一样本集以及第三样本集中的样本按照预设的比例混合得到第四样本集;
基于第四样本集训练所述神经网络模型,得到所述故障诊断模型。
在其中一个实施例中,所述随机生成预设数量的仿真故障诊断数据以及仿真诊断结果包括:
基于所述历史故障诊断数据确定所述仿真故障诊断数据生成的数值区间;
拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库,基于所述诊断结果词库随机组合生成所述仿真诊断结果;
所述拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库之后,还包括:
构建词条匹配规则,基于所述词条匹配规则限制所述仿真诊断结果的生成过程,所述词条匹配规则至少包括词条组合次序规则、禁用组合集。
在其中一个实施例中,所述构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型包括:
在所述神经网络模型中对所述故障诊断数据对应的不同的供电系统设备分别设置设备权重因子;
所述将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果之前,还包括:
基于所述供电系统结构调节设备权重因子。
在其中一个实施例中,所述方法还包括:
当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间;
基于所述第一包围区间获取覆盖全部的所述目标故障定位信息的第一故障诊断数据;
所述当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间包括:
所述距离尺度包括实际物理距离尺度、供电系统拓扑结构中的结构距离尺度中的一种或多种。
在其中一个实施例中,所述基于所述诊断结果确定修复方案之后,还包括:
获取预先对所述供电系统中不同的供电系统设备分别配置的首位度因子;
当存在至少两个待处理的所述修复方案时,基于所述首位度因子确定多个所述修复方案的执行次序。
第二方面,本申请还提供了一种轨道交通供电管理系统。所述系统包括:
运行监测模块,用于获取供电系统的运行监测数据,所述运行监测数据至少包括传输线路数据以及节点设备数据;
故障定位模块,用于基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息;
数据收集模块,用于基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;
故障处理模块,用于将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
在其中一个实施例中,所述故障处理模块之前,还包括:
第一样本集模块,用于获取历史故障数据,所述历史故障数据包括历史故障诊断数据以及对应的历史诊断结果,基于所述历史故障数据构建得到第一样本集;
第二样本集模块,用于随机生成预设数量的仿真故障诊断数据以及仿真诊断结果,将所述仿真故障诊断数据以及所述仿真诊断结果随机组合并构建为第二样本集;
样本标记模块,用于构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型;
第三样本集模块,用于基于所述标记模型对所述第二样本集中的仿真样本进行标记,得到第三样本集;
第四样本集模块,用于将所述第一样本集以及第三样本集中的样本按照预设的比例混合得到第四样本集;
模型获取模块,用于基于第四样本集训练所述神经网络模型,得到所述故障诊断模型。
在其中一个实施例中,所述第二样本集模块包括:
数值区间模块,用于基于所述历史故障诊断数据确定所述仿真故障诊断数据生成的数值区间;
诊断结果词库模块,用于拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库,基于所述诊断结果词库随机组合生成所述仿真诊断结果;
所述诊断结果词库模块之后,还包括:
词条匹配规则模块,用于构建词条匹配规则,基于所述词条匹配规则限制所述仿真诊断结果的生成过程,所述词条匹配规则至少包括词条组合次序规则、禁用组合集。
在其中一个实施例中,所述样本标记模块还包括:
设备权重因子模块,用于在所述神经网络模型中对所述故障诊断数据对应的不同的供电系统设备分别设置设备权重因子;
所述故障处理模块之前,还包括:
设备权重因子调节模块,用于基于所述供电系统结构调节设备权重因子。
在其中一个实施例中,所述系统还包括:
多故障监测模块,用于当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间;
故障数据合并模块,用于基于所述第一包围区间获取覆盖全部的所述目标故障定位信息的第一故障诊断数据;
所述多故障监测模块还包括:
所述距离尺度包括实际物理距离尺度、供电系统拓扑结构中的结构距离尺度中的一种或多种。
在其中一个实施例中,所述故障处理模块之后,还包括:
首位度配置模块,用于获取预先对所述供电系统中不同的供电系统设备分别配置的首位度因子;
多故障排序模块,用于当存在至少两个待处理的所述修复方案时,基于所述首位度因子确定多个所述修复方案的执行次序。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一实施例所述的一种轨道交通供电管理方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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第一方面中任一实施例所述的一种轨道交通供电管理方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实施例所述的一种轨道交通供电管理方法中的步骤。
上述一种轨道交通供电管理方法、系统、计算机设备、存储介质和计算机程序产品,通过权利要求中的技术特征进行推导,能够达到如下的有益效果:
1、在供电系统的运行过程中对供电系统的运行状态进行监测,当发生异常时,对处于异常区间的运行监测数据进行采集,通过这一部分数据确定故障定位信息,有助于自动化地对故障发生的位置进行标定。在标定故障发生的位置后,在采集运行监测数据时,在预设的尺度内扩大采集范围,有助于将与故障发生原因可能存在关联的周边数据同时采集到故障诊断数据中,但通过预设的规则进行限制,防止了故障诊断数据过于发散的情况,有助于借助更加全面完善的故障诊断数据对故障成因进行分析。最后,借助模型来得到诊断结果,有助于提高故障诊断的效率,从而提高故障恢复的效率。故障诊断模型的训练过程中,使用真实的历史数据和虚构的仿真数据同时进行训练,有助于扩大模型的训练样本量,进而提高故障诊断模型输出结果的精确度。
2、由于供电系统智能管理的发展程度限制,采用真实的历史数据来训练故障诊断模型可能存在样本数量不足的可能性。因此采用生成的仿真故障数据来获得第二样本集,利用真实的数据样本训练得到初步的标记模型后,通过标记模型对第二样本集进行标记,从而获取具有伪结果的第三样本集,将第三样本集中具有伪结果的样本与第一样本集中的真实样本混合后,从而可以得到具有一定真实样本的第四样本集,在第四样本集的架构支持下,可以以弱监督的架构来训练故障诊断模型,最终有助于提高模型输出结果的精确度。
3、对同时发生的多起近距离故障事件进行合并,避免因为系统中器件的关联问题导致的故障警报集中爆发的情况,有助于提高系统处理供电系统故障的处理效率。
附图说明
图1为一个实施例中一种轨道交通供电管理方法的应用环境图;
图2为一个实施例中一种轨道交通供电管理方法的流程示意图;
图3为一个实施例中一种轨道交通供电管理系统的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开,并不用于限定本公开,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
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。在本发明的描述中,“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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
为了提高轨道交通供电系统的故障恢复效率,通常可以对轨道交通供电系统中的线路及设备进行监测,获取线路及设备运行中的参数,提过参数确定故障点的位置以及大致的事故成因,从而进行处理。
然而,目前的供电系统管理方式,存在如下所述的技术问题:
轨道交通供电系统中的故障成因复杂,简单地根据异常数据进行分析,难以得到精确的分析结果,进而难以及时地实施有效的处理措施,容易导致轨道交通供电系统的检修恢复效率低。
基于此,本申请实施例提供的一种轨道交通供电管理方法,可以应用于如图1所示的应用环境中。其中,终端通过网络与监测设备、管理员端进行通信。数据存储系统可以存储终端需要处理的数据。数据存储系统可以集成在终端上,也可以放在云上或其他网络服务器上。具体地,监测设备对供电系统中的传输线路以及电气设备的运行状态进行监测,获取运行监测数据,并通过通信网络将运行监测数据反馈至终端,终端接收到运行监测数据后可以对运行监测数据进行处理,并将处理结果反馈至管理员端。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。终端还可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种轨道交通供电管理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202:获取供电系统的运行监测数据。
其中,运行监测数据可以指在供电系统运行中通过接入系统的电表等监测设备获取的运行监测数据,运行监测数据可以包括传输线路数据以及节点设备数据等几类数据。其中传输线路数据可以指供电系统中的线路分布数据、运行中的各传输段的参数等;节点设备数据,可以指将供电系统中的设备看做节点,区别与传输线路的线路段数据,设备的参数可以视作节点数据。
具体地,终端可以通过通信网络获取供电系统中的运行监测数据。
步骤204:基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息。
具体地,终端获取运行监测数据后,可以自动地对运行监测数据进行监测,当运行监测数据出现超出预先设定的安全运行区间达到异常区间时,可以判断得出供电系统中出现了故障。安全运行区间可以由技术人员进行设定,针对不同的设备可以设定不同的安全运行区间,不同性能的相同类型设备也可以设置不同的安全运行区间,不同运行环境下的相同设备也可以设置不同的安全运行区间。
具体地,终端在监测到异常的运行监测数据后,可以根据异常的运行监测数据发生的设备节点以及传输线路段确定故障定位信息。故障定位信息可以为地理层面的故障位置,也可以为供电系统拓扑线路结构层面的功能模块。终端通过故障定位信息可以确定一个出现故障位置的故障定位范围。
步骤206:基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间。
其中,包围区间可以指在故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间。距离尺度可以指实际物理距离尺度,也可以指供电系统拓扑结构中的结构距离尺度。
具体地,终端在获取由故障定位信息确定的故障定位范围后,可以在故障定位范围的基础上,再做一个范围扩张,得到一个将故障定位范围包围在内的包围区间。具体地,扩张可以体现在物理距离的尺度上,例如:将故障定位范围扩张100米、200米等。扩张还可以体现在供电系统拓扑结构中,例如:将故障定位范围向上拓展至上一级节点、上两级节点。这些扩张范围内的数据并没有进入异常区间,但可能带故障的影响下,在安全运行区间内也存在一定的变化,因此也具有分析价值。
此时,终端可以获取一个较大的包围区间,进一步地,可以获取包围区间中的目标运行监测数据,整合全部的目标运行监测数据后,即可获得用于进行故障成因分析的故障诊断数据。
步骤208:将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
具体地,终端可以将故障诊断数据输入到预先构建的故障诊断模型中,最终得到模型输出的诊断结果,在由技术人员提前设置的故障-处理方案的映射关系下,最终可以确定修复方案。
上述一种轨道交通供电管理方法中,能够解决背景技术中所提出的技术问题的如下有益效果:
在供电系统的运行过程中对供电系统的运行状态进行监测,当发生异常时,对处于异常区间的运行监测数据进行采集,通过这一部分数据确定故障定位信息,有助于自动化地对故障发生的位置进行标定。在标定故障发生的位置后,在采集运行监测数据时,在预设的尺度内扩大采集范围,有助于将与故障发生原因可能存在关联的周边数据同时采集到故障诊断数据中,但通过预设的规则进行限制,防止了故障诊断数据过于发散的情况,有助于借助更加全面完善的故障诊断数据对故障成因进行分析。最后,借助模型来得到诊断结果,有助于提高故障诊断的效率,从而提高故障恢复的效率。故障诊断模型的训练过程中,使用真实的历史数据和虚构的仿真数据同时进行训练,有助于扩大模型的训练样本量,进而提高故障诊断模型输出结果的精确度。
在其中一个实施例中,所述步骤208之前,还包括:
步骤302:获取历史故障数据,所述历史故障数据包括历史故障诊断数据以及对应的历史诊断结果,基于所述历史故障数据构建得到第一样本集。
具体地,此时的第一样本集为数据精确的真实数据样本。
步骤304:随机生成预设数量的仿真故障诊断数据以及仿真诊断结果,将所述仿真故障诊断数据以及所述仿真诊断结果随机组合并构建为第二样本集。
具体地,此时的第二样本集为虚构的仿真数据样本。
步骤306:构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型。
具体地,此时的标记模型可以将仿真数据样本的真伪情况进行标注,从而将仿真样本转化为具有一定精确度的伪样本。
步骤308:基于所述标记模型对所述第二样本集中的仿真样本进行标记,得到第三样本集。
具体地,此时的第三样本集即为具有一定精确度的伪样本。
步骤3010:将所述第一样本集以及第三样本集中的样本按照预设的比例混合得到第四样本集。
具体地,可以按照一定的比例将第一样本集中的样本与第三样本集中的样本混合,得到扩张了样本数量,但依然保持了一定样本精确度的第四样本集。
步骤3012:基于第四样本集训练所述神经网络模型,得到所述故障诊断模型。
具体地,在第四样本集的基础上,可以为模型提供一定的弱监督信号,从而提高模型的精确度。
本实施例中,由于供电系统智能管理的发展程度限制,采用真实的历史数据来训练故障诊断模型可能存在样本数量不足的可能性。因此采用生成的仿真故障数据来获得第二样本集,利用真实的数据样本训练得到初步的标记模型后,通过标记模型对第二样本集进行标记,从而或者具有伪结果的第三样本集,将第三样本集中具有伪结果的样本与第一样本集中的真实样本混合后,从而可以得到具有一定真实样本的第四样本集,在第四样本集的架构支持下,可以以弱监督的架构来训练故障诊断模型,最终有助于提高模型输出结果的精确度。
在其中一个实施例中,所述步骤304包括:
步骤402:基于所述历史故障诊断数据确定所述仿真故障诊断数据生成的数值区间。
步骤404:拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库,基于所述诊断结果词库随机组合生成所述仿真诊断结果;
所述步骤404之后,还包括:
步骤406:构建词条匹配规则,基于所述词条匹配规则限制所述仿真诊断结果的生成过程,所述词条匹配规则至少包括词条组合次序规则、禁用组合集。
本实施例中,对仿真样本的构建规则进行限定,有助于提高仿真样本中正样本的比例,提高模型输出结果的精确度。
在其中一个实施例中,所述步骤306包括:
步骤502:在所述神经网络模型中对所述故障诊断数据对应的不同的供电系统设备分别设置设备权重因子。
所述步骤208之前,还包括:
步骤504:基于所述供电系统结构调节设备权重因子。
本实施例中,在神经网络模型中对不同的供电系统设备的故障数据设置不同的设备权重因子,有助于在模型输出结果中体现因设备的差异带来的诊断结果差异。例如设备A在a系统中为核心设备,设备A 在b系统中为边缘设备,在相同的故障数据下,设备A对系统故障判断的影响程序存在差异。通过设备权重因子,可以调节体现出这样的差异,从而提高模型诊断结果的准确度。
在其中一个实施例中,所述方法还包括:
步骤602:当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间。
步骤604:基于所述第一包围区间获取覆盖全部的所述目标故障定位信息的第一故障诊断数据。
所述步骤602包括:所述距离尺度包括实际物理距离尺度、供电系统拓扑结构中的结构距离尺度中的一种或多种。
本实施例中,多同时发生的多起近距离故障事件进行合并,避免因为系统中器件的关联问题导致的故障警报集中爆发的情况,有助于提高系统处理供电系统故障的处理效率。此外,有助于将发生位置较近的故障进行关联分析,有助于全面地分析故障成因,从而进一步提高故障诊断的准确度。
在其中一个实施例中,所述步骤208之后,还包括:
步骤702:获取预先对所述供电系统中不同的供电系统设备分别配置的首位度因子;
步骤704:当存在至少两个待处理的所述修复方案时,基于所述首位度因子确定多个所述修复方案的执行次序。
本实施例中,根据系统设备的重要性设置首位度因子,从而影响修复方案的执行顺序,有助于提高工程资源的使用效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的一种轨道交通供电管理方法的一种轨道交通供电管理系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个系统实施例中的具体限定可以参见上文中对于一种轨道交通供电管理方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种轨道交通供电管理系统,包括:运行监测模块、故障定位模块、数据收集模块和故障处理模块,其中:
运行监测模块,用于获取供电系统的运行监测数据,所述运行监测数据至少包括传输线路数据以及节点设备数据;
故障定位模块,用于基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息;
数据收集模块,用于基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;
故障处理模块,用于将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
在其中一个实施例中,所述故障处理模块之前,还包括:
第一样本集模块,用于获取历史故障数据,所述历史故障数据包括历史故障诊断数据以及对应的历史诊断结果,基于所述历史故障数据构建得到第一样本集;
第二样本集模块,用于随机生成预设数量的仿真故障诊断数据以及仿真诊断结果,将所述仿真故障诊断数据以及所述仿真诊断结果随机组合并构建为第二样本集;
样本标记模块,用于构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型;
第三样本集模块,用于基于所述标记模型对所述第二样本集中的仿真样本进行标记,得到第三样本集;
第四样本集模块,用于将所述第一样本集以及第三样本集中的样本按照预设的比例混合得到第四样本集;
模型获取模块,用于基于第四样本集训练所述神经网络模型,得到所述故障诊断模型。
在其中一个实施例中,所述第二样本集模块包括:
数值区间模块,用于基于所述历史故障诊断数据确定所述仿真故障诊断数据生成的数值区间;
诊断结果词库模块,用于拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库,基于所述诊断结果词库随机组合生成所述仿真诊断结果;
所述诊断结果词库模块之后,还包括:
词条匹配规则模块,用于构建词条匹配规则,基于所述词条匹配规则限制所述仿真诊断结果的生成过程,所述词条匹配规则至少包括词条组合次序规则、禁用组合集。
在其中一个实施例中,所述样本标记模块还包括:
设备权重因子模块,用于在所述神经网络模型中对所述故障诊断数据对应的不同的供电系统设备分别设置设备权重因子;
所述故障处理模块之前,还包括:
设备权重因子调节模块,用于基于所述供电系统结构调节设备权重因子。
在其中一个实施例中,所述系统还包括:
多故障监测模块,用于当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间;
故障数据合并模块,用于基于所述第一包围区间获取覆盖全部的所述目标故障定位信息的第一故障诊断数据;
所述多故障监测模块还包括:
所述距离尺度包括实际物理距离尺度、供电系统拓扑结构中的结构距离尺度中的一种或多种。
在其中一个实施例中,所述故障处理模块之后,还包括:
首位度配置模块,用于获取预先对所述供电系统中不同的供电系统设备分别配置的首位度因子;
多故障排序模块,用于当存在至少两个待处理的所述修复方案时,基于所述首位度因子确定多个所述修复方案的执行次序。
上述一种轨道交通供电管理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种轨道交通供电管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入系统可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的供电系统信息(包括但不限于设备信息、系统线路信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经系统管理方授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandom Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(PhaseChange Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种轨道交通供电管理方法,其特征在于,所述方法包括:
获取供电系统的运行监测数据,所述运行监测数据至少包括传输线路数据以及节点设备数据;
基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息;
基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;
将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
2.根据权利要求1所述的方法,其特征在于,将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案之前,还包括:
获取历史故障数据,所述历史故障数据包括历史故障诊断数据以及对应的历史诊断结果,基于所述历史故障数据构建得到第一样本集;
随机生成预设数量的仿真故障诊断数据以及仿真诊断结果,将所述仿真故障诊断数据以及所述仿真诊断结果随机组合并构建为第二样本集;
构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型;
基于所述标记模型对所述第二样本集中的仿真样本进行标记,得到第三样本集;
将所述第一样本集以及第三样本集中的样本按照预设的比例混合得到第四样本集;
基于第四样本集训练所述神经网络模型,得到所述故障诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述随机生成预设数量的仿真故障诊断数据以及仿真诊断结果包括:
基于所述历史故障诊断数据确定所述仿真故障诊断数据生成的数值区间;
拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库,基于所述诊断结果词库随机组合生成所述仿真诊断结果;
所述拆解所述历史诊断结果获取结果词条,基于所述结果词条构建诊断结果词库之后,还包括:
构建词条匹配规则,基于所述词条匹配规则限制所述仿真诊断结果的生成过程,所述词条匹配规则至少包括词条组合次序规则、禁用组合集。
4.根据权利要求2所述的方法,其特征在于,所述构建神经网络模型,基于所述第一样本集训练所述神经网络模型得到标记模型包括:
在所述神经网络模型中对所述故障诊断数据对应的不同的供电系统设备分别设置设备权重因子;
所述将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果之前,还包括:
基于所述供电系统结构调节设备权重因子。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述方法还包括:
当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间;
基于所述第一包围区间获取覆盖全部的所述目标故障定位信息的第一故障诊断数据;
所述当在预设的时间范围内出现至少两个目标故障定位信息的距离尺度小于预设的距离阈值时,将全部的所述目标故障定位信息的目标包围区间合并为第一包围区间包括:
所述距离尺度包括实际物理距离尺度、供电系统拓扑结构中的结构距离尺度中的一种或多种。
6.根据权利要求1所述的方法,其特征在于,所述基于所述诊断结果确定修复方案之后,还包括:
获取预先对所述供电系统中不同的供电系统设备分别配置的首位度因子;
当存在至少两个待处理的所述修复方案时,基于所述首位度因子确定多个所述修复方案的执行次序。
7.一种轨道交通供电管理系统,其特征在于,所述系统包括:
运行监测模块,用于获取供电系统的运行监测数据,所述运行监测数据至少包括传输线路数据以及节点设备数据;
故障定位模块,用于基于在异常区间的所述运行监测数据确定所述供电系统的故障定位信息;
数据收集模块,用于基于故障定位信息获取所述故障定位信息所对应的包围区间内的目标运行监测数据,整合所述目标运行监测数据得到故障诊断数据,所述包围区间为在所述故障定位信息对应的故障定位范围的基础上,向外膨胀预设距离尺度的范围区间;
故障处理模块,用于将所述故障诊断数据输入预先构建的故障诊断模型,得到所述故障诊断模型输出的诊断结果,基于所述诊断结果确定修复方案,所述故障诊断模型基于真实历史数据样本以及仿真数据样本训练得到。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052010.9A CN115792505B (zh) | 2023-02-02 | 2023-02-02 | 一种轨道交通供电管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052010.9A CN115792505B (zh) | 2023-02-02 | 2023-02-02 | 一种轨道交通供电管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792505A CN115792505A (zh) | 2023-03-14 |
CN115792505B true CN115792505B (zh) | 2023-04-18 |
Family
ID=85429514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052010.9A Active CN115792505B (zh) | 2023-02-02 | 2023-02-02 | 一种轨道交通供电管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792505B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035747B (zh) * | 2023-10-09 | 2024-02-02 | 国网山东省电力公司博兴县供电公司 | 一种机房多系统故障诊断处理方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020775A (zh) * | 2013-02-21 | 2014-09-03 | 空中客车运营简化股份公司 | 检测控制表面的干扰和/或不受控制移动的方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070275B1 (en) * | 2014-02-21 | 2015-06-30 | Gearn Holdings LLC | Mobile entity tracking and analysis system |
CN111400930B (zh) * | 2020-04-09 | 2022-04-15 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN112415330A (zh) * | 2020-10-27 | 2021-02-26 | 山东山大电力技术股份有限公司 | 一种基于广域信息的电网故障智能辨识方法及系统 |
CN115035336A (zh) * | 2022-06-08 | 2022-09-09 | 集美大学 | 基于gasf和cnn的三电平t型逆变器故障诊断方法 |
CN115034369A (zh) * | 2022-06-14 | 2022-09-09 | 天津国能盘山发电有限责任公司 | 故障诊断的方法、装置、存储介质和电子设备 |
CN115437344A (zh) * | 2022-07-29 | 2022-12-06 | 中国电力科学研究院有限公司 | 一种数字孪生综合能源故障诊断系统、方法、设备和介质 |
-
2023
- 2023-02-02 CN CN202310052010.9A patent/CN115792505B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020775A (zh) * | 2013-02-21 | 2014-09-03 | 空中客车运营简化股份公司 | 检测控制表面的干扰和/或不受控制移动的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115792505A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A planning-oriented resilience assessment framework for transmission systems under typhoon disasters | |
CN109800961A (zh) | 一种火灾救援决策方法、装置、存储介质及终端设备 | |
CN115792505B (zh) | 一种轨道交通供电管理方法及系统 | |
CN116223975A (zh) | 电缆故障点定位方法、装置、计算机设备和存储介质 | |
CN113947215A (zh) | 联邦学习管理方法、装置、计算机设备及存储介质 | |
CN110445939A (zh) | 容量资源的预测方法及装置 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
US11605144B1 (en) | System and methods for planning and optimizing the recovery of critical infrastructure/key resources | |
CN114970176B (zh) | 电力作业的虚拟仿真方法、装置、计算机设备和存储介质 | |
Andrade et al. | Wildfire Emergency Response Hazard Extraction and Analysis of Trends (HEAT) through Natural Language Processing and Time Series | |
CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
CN115457211A (zh) | 基于数字孪生的变电站管理方法及系统 | |
CN114387768A (zh) | 杆塔倾斜预警方法、装置、计算机设备及存储介质 | |
He | Application heart rate variability to driver fatigue detection of dangerous chemicals vehicles | |
Asmai et al. | An intelligent crisis-mapping framework for flood prediction | |
Chapman et al. | Problem-solving methodology design on the run | |
Chiew et al. | Analysis of burglary crime patterns through the integration of spatial statistics and Agent-Based Modelling | |
Ginis et al. | Development of a geoinformation project as a tool for support decision making in the subject area | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
CN110022548A (zh) | 一种对储值卡蓝牙充值设备进行监测的系统和方法 | |
CN115913699A (zh) | 配电网横向访问检测方法、装置、计算机设备和存储介质 | |
He | Research on heart rate variability to driver fatigue detection of dangerous chemicals vehicles based on simulation analysis | |
CN116279935A (zh) | 车辆倾倒预警方法、装置及计算机设备 | |
Feng | Research on Automatic Control Method of Electric Power Emergency Command System based on Genetic Algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |