CN115798161A - 一种基于5g网络的变电站声光预警方法 - Google Patents

一种基于5g网络的变电站声光预警方法 Download PDF

Info

Publication number
CN115798161A
CN115798161A CN202211416074.4A CN202211416074A CN115798161A CN 115798161 A CN115798161 A CN 115798161A CN 202211416074 A CN202211416074 A CN 202211416074A CN 115798161 A CN115798161 A CN 115798161A
Authority
CN
China
Prior art keywords
image
temperature
audio
fault
data
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.)
Granted
Application number
CN202211416074.4A
Other languages
English (en)
Other versions
CN115798161B (zh
Inventor
孙继经
秦三营
张世涛
周丽丽
张凯
杜林坤
段庆涛
王银萍
孙园园
宋晓博
程亚楠
陈思
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.)
Shangqiu Power Supply Co of State Grid Henan Electric Power Co Ltd
Original Assignee
Shangqiu Power Supply Co of State Grid Henan Electric Power Co Ltd
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 Shangqiu Power Supply Co of State Grid Henan Electric Power Co Ltd filed Critical Shangqiu Power Supply Co of State Grid Henan Electric Power Co Ltd
Priority to CN202211416074.4A priority Critical patent/CN115798161B/zh
Publication of CN115798161A publication Critical patent/CN115798161A/zh
Application granted granted Critical
Publication of CN115798161B publication Critical patent/CN115798161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于5G网络的变电站声光预警方法，主要包括，建立图像、温度、音频关联模型、部件故障概率模型
Figure 100004_DEST_PATH_IMAGE001
、建立部件故障概率模型
Figure 322689DEST_PATH_IMAGE002
、建立部件故障概率模型
Figure 100004_DEST_PATH_IMAGE003
、建立采集器自检模型步骤。本发明通过将图像、温度以及音频数据进行关联分析建立部件故障概率模型
Figure 860986DEST_PATH_IMAGE001
，获取部件的图像、温度、音频关联模型，计算该部件的图像、温度、音频三个数据的四组关联因数，利用关联因数建立部件故障概率模型
Figure 479049DEST_PATH_IMAGE002
，再利用
Figure 687177DEST_PATH_IMAGE001
、
Figure 266057DEST_PATH_IMAGE002
通过加权计算获取在当前检测到的图像、温度以及音频数据下，当前高压电柜中每个部件的故障概率，因此可以提高对故障部件判断的精确性，有利于选择维修工具，提高维修效率。

Description

一种基于5G网络的变电站声光预警方法
技术领域
本发明属于变电站运维技术领域，具体涉及一种基于5G网络的变电站声光预警方法。
背景技术
现有的变电站实际生产运营中，高清视频数据和其他数据只能靠降低分辨率和本地调取查看，极大影响了生产安全的处理响应速度和提前预判的精准性。同时，在运维班组到场处置之时，也没有合适手段给予明确指引，导致处置延误或误操作，从而造成更大损失。
虽然现有智能变电站配有网络分析系统，网络分析系统实现了全网数据的采集存储、异常和设备告警，但是采集的数据信息相互独立存在，不具备对不同种类数据之间关联分析能力，由于对变电站故障大多是通过单一种类数据进行判断，或者数据之间的关联度较低，导致对变电站故障的判断不够精确，例如，仅通过温度数据进行判断；且，现有技术中，一般只能对某一变电站的故障进行判断，但是不能判断是变电站的哪个部位发生故障，在维修时不知道携带哪些工具，从而导致维修的效率降低；另外，仅对检测的数据进行简单的关联计算，当某一数据的采集设备出现故障时，对变电站故障判断影响较大，容易出现错误判断。
发明内容
针对背景技术中提出的现有基于5G网络的变电站声光预警方法在使用过程中存在的不足，本发明提供了一种基于5G网络的变电站声光预警方法，具备对变电站采集的数据可进行关联性分析，提高对变电站的故障部件判断的精确性的优点，解决了上述背景技术中提出的问题。
本发明提供如下技术方案：一种基于5G网络的变电站声光预警方法，采用一种变电站声光预警系统，所述变电站声光预警系统包括控制集成器终端、5G无线网络传输模块、摄像头轮巡模块、红外传感测温模块、拾音传感模块、声光报警模块、指引射灯模块、采集器自检模块、故障部件判断模块以及数据存储模块；
所述摄像头轮巡模块连接有高清双光摄像头，所述摄像头轮巡模块驱动所述高清双光摄像旋转，所述高清双光摄像头拍摄高压电柜的图像初始数据并传输至控制集成器终端；
所述红外传感测温模块连接有红外传感器，所述红外传感器安装在每台高压电柜上，所述红外传感测温模块将红外传感器检测的温度初始数据实时传递给控制集成器终端；
所述拾音传感模块连接有拾音传感器，所述拾音传感器安装在每台高压电柜上，所述拾音传感模块将拾音传感器采集到的音频实时传输至控制集成器终端；
所述声光报警模块由控制集成器终端控制启动，控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算判断后，若超出对应数据的阈值，则启动声光报警模块发出异常警报；
所述5G无线网络传输模块用于控制集成器终端与运维班组之间的信息传输；
所述指引射灯模块与射灯控制台相连接，根据控制集成器终端的指令将光束投射到异常电柜顶部或侧方，并在打开电柜后，将光束投射到对应故障部件处；
所述采集器自检模块通过对控制集成器终端接收的图像初始数据、温度初始数据、音频初始数据综合计算后，判断对应高清双光摄像头、红外传感器、拾音传感器的运行状态；
所述故障部件判断模块根据控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算结果，预判当前高压电柜出现该故障的部件的概率；
所述控制集成器终端中设有每个高压电柜的每个部件故障概率模型，图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型；
所述数据存储模块存储有每台高压电柜运行数据，所述运行数据包括当前高压电柜的使用时长，历史故障次数，历史故障频率，每次故障对应的图像初始数据、温度初始数据和音频初始数据，每次故障对应的部件，每个部件对应的故障次数、故障频率；每台高压电柜的每个部件的状态参数，所述状态参数包括部件的制造材质，部件的运行电压，部件的燃烧特性，部件的使用时长；
进一步，所述方法包括以下步骤：
S1、建立图像、温度、音频关联模型：基于每台高压电柜运行数据、每台高压电柜的每个部件的状态参数，通过关联分析算法分别建立基于该台高压电柜的每个故障部件的图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型；
基于每台高压电柜的每个部件的图像-温度关联模型的输出值为该部件故障时的图像变化值与温度变化值的关联因数PT，图像-音频关联模型的输出值为该部件故障时的图像变化值与音频变化值的关联因数PV，温度-音频关联模型的输出值为该部件故障时的温度变化值与音频变化值的关联因数TV，图像-温度-音频关联模型的输出值为该部件故障时的图像变化值、温度变化值与音频变化值三者的关联因数PTV；
S2、建立部件故障概率模型
Figure 100002_DEST_PATH_IMAGE001
：基于每台高压电柜的每个部件，以及该部件在每次故障时对应的图像初始数据、温度初始数据和音频初始数据，通过关联分析算法分别建立基于该台高压电柜的每个部件的部件故障概率模型
Figure 349423DEST_PATH_IMAGE002
；其中，
Figure 100002_DEST_PATH_IMAGE003
为当前拍摄的图像变化值，
Figure 532142DEST_PATH_IMAGE004
为当前检测到的温度变化值，
Figure 100002_DEST_PATH_IMAGE005
为当前检测到的音频变化值；
S3、建立部件故障概率模型
Figure 967672DEST_PATH_IMAGE006
：建立基于每台高压电柜的每个部件，以及该部件故障时图像变化值与温度变化值的关联因数
Figure 100002_DEST_PATH_IMAGE007
、图像变化值与音频变化值的关联因数
Figure 894039DEST_PATH_IMAGE008
、温度变化值与音频变化值的关联因数
Figure 100002_DEST_PATH_IMAGE009
、图像变化值、温度变化值与音频变化值三者的关联因数
Figure 114936DEST_PATH_IMAGE010
，通过关联分析算法建立基于该台高压电柜的每个部件的部件故障概率模型
Figure 100002_DEST_PATH_IMAGE011
；其中，
Figure 202978DEST_PATH_IMAGE007
、
Figure 735591DEST_PATH_IMAGE008
、
Figure 200070DEST_PATH_IMAGE009
、
Figure 259162DEST_PATH_IMAGE010
分别为根据当前的数据
Figure 252525DEST_PATH_IMAGE003
、
Figure 272434DEST_PATH_IMAGE004
、
Figure 275025DEST_PATH_IMAGE005
利用其对应的关联因数模型计算值；
S4、建立部件故障概率模型
Figure 63990DEST_PATH_IMAGE012
：基于每台高压电柜的每个部件的故障概率模型
Figure 634779DEST_PATH_IMAGE002
，
Figure 141984DEST_PATH_IMAGE011
，计算该台高压电柜的该部件的在当前采集的图像初始数据、温度初始数据以及音频初始数据基础上，该部件的故障概率
Figure 100002_DEST_PATH_IMAGE013
；其中K1、K2为经验数值；
S5、建立采集器自检模型：基于高压电柜的图像、温度、音频初始数据，通过对应模型计算当前数据对应的
Figure 682687DEST_PATH_IMAGE007
、
Figure 591737DEST_PATH_IMAGE008
、
Figure 317116DEST_PATH_IMAGE009
、
Figure 311617DEST_PATH_IMAGE010
值，通过关联分析算法分别建立图像采集器故障概率模型
Figure 656011DEST_PATH_IMAGE014
，温度采集器故障概率模型
Figure 100002_DEST_PATH_IMAGE015
，音频采集器故障概率模型
Figure 419568DEST_PATH_IMAGE016
，当每个概率模型计算结果超出其对应阈值时，提示对应采集器故障；
S6、接收采集器数据并判断故障：获取高压电柜实时图像、温度、音频初始数据，根据实时图像、温度音频初始数据判断是否出现故障，并根据实时图像初始数据判断故障位置；同时将报警信息传输给运维班组；
S7：选择维修工具并进行维修：运维班组根据上述高压电柜的部件故障概率选择对应的维修工具，并前往该高压电柜进行维修。
优选的，所述图像采集器为高清双光摄像头，所述图像初始数据为高清双光摄像头拍摄的初始图像，所述图像变化值是依据初始图像，通过图像变化监测方法分析两帧图像的变化程度数值，当图像变化值超过设定阈值时，表明在图像拍摄的位置存在火情故障；
所述温度采集器为红外传感器，所述温度初始数据为红外传感器实时检测到的数据，所述温度变化值表示温度在短时间内变化的程度数值，当温度变化值超过设定阈值时，表示温度采集的部位存在高温故障；
所述音频采集器为拾音传感器，所述音频初始数据为拾音传感器实时检测到的数据，所述音频变化值表示音频中的声波在短时间内变化的程度数值，当音频变化值超过设定阈值时，表示音频采集的部位存在异常声响故障。
进一步，所述维修工具选择的条件为，部件故障概率P超过设定阈值，则将该部件作为需要维修的部件，选择该部件的对应维修工具。
有益效果：
1、本发明通过将图像、温度以及音频数据进行关联分析建立部件故障概率模型
Figure 332160DEST_PATH_IMAGE001
，获取部件的图像、温度、音频关联模型，根据对于部件的实际状态参数及其对应的高压电柜的运行数据，计算该部件的图像、温度、音频三个数据的四组关联因数，利用关联因数建立部件故障概率模型
Figure 548378DEST_PATH_IMAGE006
，再利用
Figure 696462DEST_PATH_IMAGE001
、
Figure 314525DEST_PATH_IMAGE006
通过加权计算获取在当前检测到的图像、温度以及音频数据下，当前高压电柜中每个部件的故障概率，因此可以提高对故障部件判断的精确性，有利于选择维修工具，提高维修效率。
2、本发明中由于利用图像、温度以及音频数据三个数据的四个关联模型所使用的数据是交叉的，因此单一数据的影响对故障概率
Figure 647287DEST_PATH_IMAGE006
的结果影响降低，当某一个数据出现异常时，对故障部件的判断结果影响较小，因此，提高了通过图像、温度以及音频数据之间的关联性，继而提高对故障部件判断的精确度。
3、本发明通过计算该部件的图像、温度、音频三个数据的四组关联因数，建立对应数据的采集器的故障概率，当其中一个数据的采集器出现故障时，对应采集器的故障概率模型的输出值超出该采集器的故障阈值，从而可以对采集器的运行情况进行实时检测。
4、本发明可以在极低成本下保障变电站电柜的高可靠性运转安全，在发生微小火花和明火乃至引燃情况下可快速发现并定位，同步发出声光预警，并在运维班组到场时可见射灯指引故障发生的电柜，大大节约了处置响应时间，为变电站内部生产运营安全提供极大助力。
附图说明
图1为本发明基于5G网络的变电站声光预警方法流程图；
图2为本发明变电站声光预警系统结构图。
具体实施方式
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，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图2，一种基于5G网络的变电站声光预警方法，采用一种变电站声光预警系统，所述变电站声光预警系统包括控制集成器终端、5G无线网络传输模块、摄像头轮巡模块、红外传感测温模块、拾音传感模块、声光报警模块、指引射灯模块、采集器自检模块、故障部件判断模块以及数据存储模块。
所述摄像头轮巡模块连接有高清双光摄像头，所述摄像头轮巡模块驱动所述高清双光摄像旋转，所述高清双光摄像头拍摄高压电柜的图像初始数据并传输至控制集成器终端；安装在室内高处的高清双光摄像头通过轮巡发现高压电柜出现微小火花或明火，控制集成器终端及其自带系统算法通过比对，判断着火点位，将实时视频流通过5G无线网络传输模块传递给运维班组，并实时通过声光报警模块在站内产生报警；着火点位置判断的算法采用已知的层次分组法图像检测技术进行判断。
所述红外传感测温模块连接有红外传感器，所述红外传感器安装在每台高压电柜上，所述红外传感测温模块将红外传感器检测的温度初始数据实时传递给控制集成器终端；当发生阴燃时，瞬时数据异常产生报警通过5G无线网络传输模块传递给运维班组，并实时通过声光报警模块在站内产生报警。
所述拾音传感模块连接有拾音传感器，所述拾音传感器安装在每台高压电柜上，所述拾音传感模块将拾音传感器采集到的音频实时传输至控制集成器终端；当发生异常声响并超过设定阈值，即将异响高压电柜信息通过5G无线网络传输模块传输到运维班组处置，持续发出异响超过10秒或断续异常超过5次的情况下则触发声光报警模块在站内持续产生报警。
所述声光报警模块由控制集成器终端控制启动，控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算判断后，若超出对应数据的阈值，则启动声光报警模块发出异常警报。
所述5G无线网络传输模块用于控制集成器终端与运维班组之间的信息传输。
所述指引射灯模块与射灯控制台相连接，根据控制集成器终端的指令将光束投射到异常电柜顶部或侧方，并在打开电柜后，将光束投射到对应故障部件处，在运维班组赶到处理时，可第一时间找到异常点位。原理为将变电站内部所有高压电柜按照数量与位置划分为N等分，提前标注好序号，调节射灯光束投射在各个网格位置，并将射灯自动化导轨路径提前录入控制集中器程序中，当高压电柜发生异响或者起火阴燃等情况传递到控制集成器终端后，射灯即可将光束投射到对应电柜。
所述采集器自检模块通过对控制集成器终端接收的图像初始数据、温度初始数据、音频初始数据综合计算后，判断对应高清双光摄像头、红外传感器、拾音传感器的运行状态，所述采集器自检模块通过预设的对应采集器自检模型进行故障检测。
所述故障部件判断模块根据控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算结果，预判当前高压电柜出现该故障的部件的概率；故障部件判断模块通过预设的部件故障概率模型
Figure 85221DEST_PATH_IMAGE001
、
Figure 771417DEST_PATH_IMAGE006
、
Figure 509566DEST_PATH_IMAGE012
进行计算。
所述控制集成器终端中设有每个高压电柜的每个部件的部件故障概率模型
Figure 888595DEST_PATH_IMAGE001
、
Figure 954771DEST_PATH_IMAGE006
、
Figure 444658DEST_PATH_IMAGE012
，图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型，每个采集器的采集器自检模型。
所述数据存储模块存储有每台高压电柜运行数据，所述运行数据包括当前高压电柜的使用时长，历史故障次数，历史故障频率，每次故障对应的图像初始数据、温度初始数据和音频初始数据，每次故障对应的部件，每个部件对应的故障次数、故障频率；每台高压电柜的每个部件的状态参数，所述状态参数包括部件的制造材质，部件的运行电压，部件的燃烧特性，部件的使用时长。
参阅附图1，所述方法包括以下步骤：
S1、建立图像、温度、音频关联模型：基于每台高压电柜运行数据、每台高压电柜的每个部件的状态参数，通过关联分析算法分别建立基于该台高压电柜的每个故障部件的图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型；该模型建立的原理为：随着高压电柜使用时间的增长，高压电柜材料慢慢老化，例如高压电柜的柜体外壁的钢材老化，当其内部的部件发生火情时，使用时间长的高压电柜柜体的密封性、防火线均有所下降，因此相对于新的高压电柜来说，老旧的高压电柜的防火性能下降，更容易恶化火情；而高压电柜故障的次数、频率均能够反映该高压电柜发生故障的概率；另外，在部件的制造材质，部件的运行电压、部件的燃烧特性以及部件的使用时长，均对该部件的发生火情的概率相关，例如，部件的制造是铜线或者铝线，两者的材料不同，燃点不同，部件上的电压大，则燃烧快，部件的燃烧特性是易于燃烧，都会对部件的发射火情故障时的温度变化值有影响，且材料的不同，会使得部件燃烧时产生不同的声响，易于燃烧的材料会使得图像变化值较大；且由于每个部件的状态参数不同，那么部件发射火情燃烧时，产生的温度变化值，图像变化值，音频变化值是相关的。
基于每台高压电柜的每个部件的图像-温度关联模型的输出值为该部件故障时的图像变化值与温度变化值的关联因数PT，图像-音频关联模型的输出值为该部件故障时的图像变化值与音频变化值的关联因数PV，温度-音频关联模型的输出值为该部件故障时的温度变化值与音频变化值的关联因数TV，图像-温度-音频关联模型的输出值为该部件故障时的图像变化值、温度变化值与音频变化值三者的关联因数PTV；关联因数随着输入模型的参数的变化而变化，例如，高压电柜的使用时长，历史故障次数，历史故障频率变化。
S2、建立部件故障概率模型
Figure 771734DEST_PATH_IMAGE001
：基于每台高压电柜的每个部件，以及该部件在每次故障时对应的图像初始数据、温度初始数据和音频初始数据，通过关联分析算法分别建立基于该台高压电柜的每个部件的部件故障概率模型
Figure 321664DEST_PATH_IMAGE002
；其中，
Figure 124404DEST_PATH_IMAGE003
为当前拍摄的图像变化值，
Figure 417982DEST_PATH_IMAGE004
为当前检测到的温度变化值，
Figure 865144DEST_PATH_IMAGE005
为当前检测到的音频变化值；所述图像变化值是依据初始图像，通过图像变化检测方法分析两帧图像的变化程度数值，当图像变化值超过设定阈值时，表明在图像拍摄的位置存在火情故障；所述温度变化值表示温度在短时间内变化的程度数值，当温度变化值超过设定阈值时，表示温度采集的部位存在高温故障；所述音频变化值表示音频中的声波在短时间内变化的程度数值，当音频变化值超过设定阈值时，表示音频采集的部位存在异常声响故障；
S3、建立部件故障概率模型
Figure 320396DEST_PATH_IMAGE006
：建立基于每台高压电柜的每个部件，以及该部件故障时图像变化值与温度变化值的关联因数
Figure 361165DEST_PATH_IMAGE007
、图像变化值与音频变化值的关联因数
Figure 192854DEST_PATH_IMAGE008
、温度变化值与音频变化值的关联因数
Figure 760102DEST_PATH_IMAGE009
、图像变化值、温度变化值与音频变化值三者的关联因数
Figure 386255DEST_PATH_IMAGE010
，通过关联分析算法建立基于该台高压电柜的每个部件的部件故障概率模型
Figure 163587DEST_PATH_IMAGE011
；其中，
Figure 798968DEST_PATH_IMAGE007
、
Figure 955143DEST_PATH_IMAGE008
、
Figure 752198DEST_PATH_IMAGE009
、
Figure 626613DEST_PATH_IMAGE010
分别为根据当前的数据
Figure 941051DEST_PATH_IMAGE003
、
Figure 217311DEST_PATH_IMAGE004
、
Figure 450846DEST_PATH_IMAGE005
利用其对应的关联因数模型计算值；故障概率模型
Figure 812558DEST_PATH_IMAGE006
相对于故障概率模型
Figure 914375DEST_PATH_IMAGE001
的优化之处在于，通过四个关联因数模型对图像、温度、音频变化值的交叉计算，可减小由于某一个采集器出现问题而导致的数据错误对概率结果的影响；
S4、建立部件故障概率模型
Figure 779562DEST_PATH_IMAGE012
：基于每台高压电柜的每个部件的故障概率模型
Figure 183999DEST_PATH_IMAGE002
，
Figure 33006DEST_PATH_IMAGE011
，计算该台高压电柜的该部件的在当前采集的图像初始数据、温度初始数据以及音频初始数据基础上，该部件的故障概率
Figure 548301DEST_PATH_IMAGE013
；其中K1、K2为经验数值；K1、K2也是可以通过关联分析算法获取的，故障概率
Figure 674520DEST_PATH_IMAGE012
通过对
Figure 249858DEST_PATH_IMAGE001
和
Figure 586161DEST_PATH_IMAGE006
的加权计算大大提高了计算结果的精确性。
S5、建立采集器自检模型：基于高压电柜的图像、温度、音频初始数据，通过对应模型计算当前数据对应的
Figure 905147DEST_PATH_IMAGE007
、
Figure 135140DEST_PATH_IMAGE008
、
Figure 881379DEST_PATH_IMAGE009
、
Figure 439400DEST_PATH_IMAGE010
值，通过关联分析算法分别建立图像采集器故障概率模型
Figure 296497DEST_PATH_IMAGE014
，温度采集器故障概率模型
Figure 256363DEST_PATH_IMAGE015
，音频采集器故障概率模型
Figure 48870DEST_PATH_IMAGE016
，当每个概率模型计算结果超出其对应阈值时，提示对应采集器故障；该模型的建立原理是：在上述三个关联因数模型中已经提出，每个部件由于其状态参数不同，以及其对应的高压电柜的运行数据不同，使得该部件在发生火情时，燃烧的速度不同而使得图像变化不同，产生的温度变化不同，燃烧产生的声响不同，从而使得图像、温度、音频三个数据之间存在关联性，因此，对于三个采集器对同一个部件检测的三个数据之间是存在关联性的。
S6、接收采集器数据并判断故障：获取高压电柜实时图像、温度、音频初始数据，根据实时图像、温度音频初始数据判断是否出现故障，并根据实时图像初始数据判断故障位置；同时将报警信息传输给运维班组；故障位置的判断根据采集的图像数据通过控制集成器终端进行计算判断。
S7：选择维修工具并进行维修：运维班组根据上述高压电柜的部件故障概率P的数值选择对应的维修工具，并前往该高压电柜进行维修；所述维修工具选择的条件为，部件故障概率P超过设定阈值，则将该部件作为需要维修的部件，选择该部件的对应维修工具。

Claims (4)

1.一种基于5G网络的变电站声光预警方法，其特征在于：采用一种变电站声光预警系统，所述变电站声光预警系统包括控制集成器终端、5G无线网络传输模块、摄像头轮巡模块、红外传感测温模块、拾音传感模块、声光报警模块、指引射灯模块、采集器自检模块、故障部件判断模块以及数据存储模块；
所述摄像头轮巡模块连接有高清双光摄像头，所述摄像头轮巡模块驱动所述高清双光摄像旋转，所述高清双光摄像头拍摄高压电柜的图像初始数据并传输至控制集成器终端；
所述红外传感测温模块连接有红外传感器，所述红外传感器安装在每台高压电柜上，所述红外传感测温模块将红外传感器检测的温度初始数据实时传递给控制集成器终端；
所述拾音传感模块连接有拾音传感器，所述拾音传感器安装在每台高压电柜上，所述拾音传感模块将拾音传感器采集到的音频实时传输至控制集成器终端；
所述声光报警模块由控制集成器终端控制启动，控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算判断后，若超出对应数据的阈值，则启动声光报警模块发出异常警报；
所述5G无线网络传输模块用于控制集成器终端与运维班组之间的信息传输；
所述指引射灯模块与射灯控制台相连接，根据控制集成器终端的指令将光束投射到异常电柜顶部或侧方，并在打开电柜后，将光束投射到对应故障部件处；
所述采集器自检模块通过对控制集成器终端接收的图像初始数据、温度初始数据、音频初始数据综合计算后，判断对应高清双光摄像头、红外传感器、拾音传感器的运行状态；
所述故障部件判断模块根据控制集成器终端对接收的图像初始数据、温度初始数据、音频初始数据综合计算结果，预判当前高压电柜出现该故障的部件的概率；
所述控制集成器终端中设有每个高压电柜的每个部件故障概率模型，图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型；
所述数据存储模块存储有每台高压电柜运行数据，所述运行数据包括当前高压电柜的使用时长，历史故障次数，历史故障频率，每次故障对应的图像初始数据、温度初始数据和音频初始数据，每次故障对应的部件，每个部件对应的故障次数、故障频率；每台高压电柜的每个部件的状态参数，所述状态参数包括部件的制造材质，部件的运行电压，部件的燃烧特性，部件的使用时长。
2.根据权利要求1所述的一种基于5G网络的变电站声光预警方法，其特征在于：包括以下步骤：
S1、建立图像、温度、音频关联模型：基于每台高压电柜运行数据、每台高压电柜的每个部件的状态参数，通过关联分析算法分别建立基于该台高压电柜的每个故障部件的图像-温度关联模型，图像-音频关联模型，温度-音频关联模型，图像-温度-音频关联模型；
基于每台高压电柜的每个部件的图像-温度关联模型的输出值为该部件故障时的图像变化值与温度变化值的关联因数PT，图像-音频关联模型的输出值为该部件故障时的图像变化值与音频变化值的关联因数PV，温度-音频关联模型的输出值为该部件故障时的温度变化值与音频变化值的关联因数TV，图像-温度-音频关联模型的输出值为该部件故障时的图像变化值、温度变化值与音频变化值三者的关联因数PTV；
S2、建立部件故障概率模型
Figure DEST_PATH_IMAGE001
：基于每台高压电柜的每个部件，以及该部件在每次故障时对应的图像初始数据、温度初始数据和音频初始数据，通过关联分析算法分别建立基于该台高压电柜的每个部件的部件故障概率模型
Figure 324136DEST_PATH_IMAGE002
；其中，
Figure DEST_PATH_IMAGE003
为当前拍摄的图像变化值，
Figure 391449DEST_PATH_IMAGE004
为当前检测到的温度变化值，
Figure DEST_PATH_IMAGE005
为当前检测到的音频变化值；
S3、建立部件故障概率模型
Figure 471401DEST_PATH_IMAGE006
：建立基于每台高压电柜的每个部件，以及该部件故障时图像变化值与温度变化值的关联因数
Figure DEST_PATH_IMAGE007
、图像变化值与音频变化值的关联因数
Figure 480814DEST_PATH_IMAGE008
、温度变化值与音频变化值的关联因数
Figure DEST_PATH_IMAGE009
、图像变化值、温度变化值与音频变化值三者的关联因数
Figure 154372DEST_PATH_IMAGE010
，通过关联分析算法建立基于该台高压电柜的每个部件的部件故障概率模型
Figure DEST_PATH_IMAGE011
；其中，
Figure 884430DEST_PATH_IMAGE007
、
Figure 553309DEST_PATH_IMAGE008
、
Figure 202465DEST_PATH_IMAGE009
、
Figure 222374DEST_PATH_IMAGE010
分别为根据当前的数据
Figure 224965DEST_PATH_IMAGE012
、
Figure 13929DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE013
利用其对应的关联因数模型计算值；
S4、建立部件故障概率模型
Figure 850298DEST_PATH_IMAGE014
：基于每台高压电柜的每个部件的故障概率模型
Figure 91924DEST_PATH_IMAGE002
，
Figure 898206DEST_PATH_IMAGE011
，计算该台高压电柜的该部件的在当前采集的图像初始数据、温度初始数据以及音频初始数据基础上，该部件的故障概率
Figure DEST_PATH_IMAGE015
；其中K1、K2为经验数值；
S5、建立采集器自检模型：基于高压电柜的图像、温度、音频初始数据，通过对应模型计算当前数据对应的
Figure 197469DEST_PATH_IMAGE007
、
Figure 798215DEST_PATH_IMAGE008
、
Figure 527136DEST_PATH_IMAGE009
、
Figure 871530DEST_PATH_IMAGE010
值，通过关联分析算法分别建立图像采集器故障概率模型
Figure 510453DEST_PATH_IMAGE016
，温度采集器故障概率模型
Figure DEST_PATH_IMAGE017
，音频采集器故障概率模型
Figure 547679DEST_PATH_IMAGE018
，当每个概率模型计算结果超出其对应阈值时，提示对应采集器故障；
S6、接收采集器数据并判断故障：获取高压电柜实时图像、温度、音频初始数据，根据实时图像、温度音频初始数据判断是否出现故障，并根据实时图像初始数据判断故障位置；同时将报警信息传输给运维班组；
S7：选择维修工具并进行维修：运维班组根据上述高压电柜的部件故障概率选择对应的维修工具，并前往该高压电柜进行维修。
3.根据权利要求2所述的一种基于5G网络的变电站声光预警方法，其特征在于：所述图像采集器为高清双光摄像头，所述图像初始数据为高清双光摄像头拍摄的初始图像，所述图像变化值是依据初始图像，通过图像变化监测方法分析两帧图像的变化程度数值，当图像变化值超过设定阈值时，表明在图像拍摄的位置存在火情故障；
所述温度采集器为红外传感器，所述温度初始数据为红外传感器实时检测到的数据，所述温度变化值表示温度在短时间内变化的程度数值，当温度变化值超过设定阈值时，表示温度采集的部位存在高温故障；
所述音频采集器为拾音传感器，所述音频初始数据为拾音传感器实时检测到的数据，所述音频变化值表示音频中的声波在短时间内变化的程度数值，当音频变化值超过设定阈值时，表示音频采集的部位存在异常声响故障。
4.根据权利要求2所述的一种基于5G网络的变电站声光预警方法，其特征在于：所述维修工具选择的条件为，部件故障概率P超过设定阈值，则将该部件作为需要维修的部件，选择该部件的对应维修工具。
CN202211416074.4A 2022-11-11 2022-11-11 一种基于5g网络的变电站声光预警方法 Active CN115798161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211416074.4A CN115798161B (zh) 2022-11-11 2022-11-11 一种基于5g网络的变电站声光预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211416074.4A CN115798161B (zh) 2022-11-11 2022-11-11 一种基于5g网络的变电站声光预警方法

Publications (2)

Publication Number Publication Date
CN115798161A true CN115798161A (zh) 2023-03-14
CN115798161B CN115798161B (zh) 2024-02-23

Family

ID=85437163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211416074.4A Active CN115798161B (zh) 2022-11-11 2022-11-11 一种基于5g网络的变电站声光预警方法

Country Status (1)

Country Link
CN (1) CN115798161B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577033A (zh) * 2009-05-26 2009-11-11 官洪运 多波段红外图像型火灾探测系统及其火灾预警方法
CN204288415U (zh) * 2014-10-22 2015-04-22 常州大学 智能预警灭火机器人
US20160189501A1 (en) * 2012-12-17 2016-06-30 Boly Media Communications (Shenzhen) Co., Ltd. Security monitoring system and corresponding alarm triggering method
CN111523660A (zh) * 2020-04-15 2020-08-11 南京清然能源科技有限公司 一种基于人工智能的音视热一体化异常检测报警方法
CN113178047A (zh) * 2021-04-21 2021-07-27 广东利盾电气消防检测有限公司 一种建筑消防设施气体灭火控制系统的检测方法
CN113763667A (zh) * 2021-08-16 2021-12-07 镇江默勒电器有限公司 一种基于5g边缘计算的火灾预警及状态监测装置及方法
US11295131B1 (en) * 2021-06-15 2022-04-05 Knoetik Solutions, Inc. Smoke and fire recognition, fire forecasting, and monitoring
WO2022071760A1 (ko) * 2020-09-29 2022-04-07 주식회사 로제타텍 화재 방호 방법 및 화재 방호 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577033A (zh) * 2009-05-26 2009-11-11 官洪运 多波段红外图像型火灾探测系统及其火灾预警方法
US20160189501A1 (en) * 2012-12-17 2016-06-30 Boly Media Communications (Shenzhen) Co., Ltd. Security monitoring system and corresponding alarm triggering method
CN204288415U (zh) * 2014-10-22 2015-04-22 常州大学 智能预警灭火机器人
CN111523660A (zh) * 2020-04-15 2020-08-11 南京清然能源科技有限公司 一种基于人工智能的音视热一体化异常检测报警方法
WO2022071760A1 (ko) * 2020-09-29 2022-04-07 주식회사 로제타텍 화재 방호 방법 및 화재 방호 시스템
CN113178047A (zh) * 2021-04-21 2021-07-27 广东利盾电气消防检测有限公司 一种建筑消防设施气体灭火控制系统的检测方法
US11295131B1 (en) * 2021-06-15 2022-04-05 Knoetik Solutions, Inc. Smoke and fire recognition, fire forecasting, and monitoring
CN113763667A (zh) * 2021-08-16 2021-12-07 镇江默勒电器有限公司 一种基于5g边缘计算的火灾预警及状态监测装置及方法

Also Published As

Publication number Publication date
CN115798161B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
WO2018232937A1 (zh) 一种电力电缆故障监测方法及装置
CN111667673B (zh) 一种智能检测泄漏的热力管网系统
CN112466000A (zh) 一种基于电力巡检机器人的巡检系统及巡检控制方法
CN110032093B (zh) 一种基于视觉物联网的工程用电安全管理方法
CN115091491B (zh) 一种配电房巡维机器人及其控制方法
WO2022057555A1 (zh) 一种故障检测方法、装置和光伏发电系统
CN110763270A (zh) 一种基于多种信息采集的输电线路塔杆工作状况监测系统
CN111899211A (zh) 基于图像和气味的变压器漏油故障检测系统及方法
CN115798161A (zh) 一种基于5g网络的变电站声光预警方法
CN113537658A (zh) 一种设备风险评估及检修系统和方法
CN111722619A (zh) 一种火力发电厂锅炉吹灰器运行故障监测控制系统及方法
CN107894739B (zh) 一种厂房全向移动消防监测机器人的控制方法
CN212160448U (zh) 一种火力发电厂锅炉吹灰器运行故障监测控制系统
CN115575814A (zh) 一种小型水轮发电机碳刷打火检测系统
CN110031152B (zh) 一种热力供热系统及相邻日温度偏移累积泄漏检测的方法
CN113154642B (zh) 一种用于海上风机的除湿机控制系统
CN210604375U (zh) 一种具备拍摄功能的激光气体探测装置
CN110131784B (zh) 一种热力供热系统及其全天温度偏移累积泄漏检测的方法
CN207010836U (zh) 一种气化炉火焰检测系统
CN112595919A (zh) 避雷器的故障检测系统、方法及装置、服务器
CN114202910A (zh) 仪表识别装置、仪表监控系统及其监控方法
CN113192282A (zh) 一种基于物联网技术的火灾预警系统
CN112305987A (zh) 一种基于物联网的水利自动化管理系统
CN111077891B (zh) 一种巡检机器人巡视运行设备的方法
CN116820059B (zh) 用于楼宇运维的大数据平台管理方法及系统

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