CN115906631A - 一种断路器油温预测方法、装置、设备及存储介质 - Google Patents
一种断路器油温预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115906631A CN115906631A CN202211453509.2A CN202211453509A CN115906631A CN 115906631 A CN115906631 A CN 115906631A CN 202211453509 A CN202211453509 A CN 202211453509A CN 115906631 A CN115906631 A CN 115906631A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- oil temperature
- opening
- breaking current
- ambient temperature
- 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
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
本发明公开了一种断路器油温预测方法、装置、设备及存储介质,该方法包括:获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;对历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;对断路器的训练样本进行时序分析,得到断路器油温预测模型;获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;根据目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至断路器油温预测模型,得到断路器油温预测结果。从而根据断路器工作数据,建立时序预测模型,预测出未来的断路器油温,避免出现过热,造成断路器损坏。
Description
技术领域
本发明属于断路器温度预测技术领域,尤其涉及一种断路器油温预测方法、装置、设备及存储介质。
背景技术
断路器油温过高,造成油质氧化,产生沉淀物酸价升高,绝缘强度降低,灭弧能力差。断路器发热严重时,灭弧室内压力增大,甚至引起冒油。因此,如何及时预测出断路器油温成为当前亟待解决的技术问题,目前传统的方式主要采用专家评定,专家通过自己的感官或仪器去获取信息,然后通过自己的主观意识和经验判断断路器油温,但是专家评定方法很容易受到受专家个人经验和身体状况等主观因素的影响,使得造成预测不准确问题。
发明内容
本发明的主要目的在于提供一种断路器油温预测方法、装置、设备及存储介质,旨在解决现有技术中难以准确预测出断路器的未来油温,导致断路器过热损坏的技术问题。
为实现上述目的,本发明提供一种断路器油温预测方法,所述断路器油温预测方法包括以下步骤:
获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;
对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;
对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;
获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;
根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。
可选地,所述对所述断路器油温的训练样本进行时序分析,得到断路器油温预测模型,包括:
分别构建时序特征提取网络和全局特征提取网络;
根据所述训练样本通过深度学习,分别对所述时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络;
将所述优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。
可选地,所述根据所述目标断路器的瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果,包括:
分别将所述时间序列输入至所述时序特征提取网络和全局特征提取网络,得到时间尺度下的断路器油温特征和全局特征下的断路器油温特征;
将所述时间尺度下的断路器油温特征和全局特征下的断路器油温特征通过所述融合层进行相融,得到断路器油温融合特征;
将所述断路器油温融合特征通过连接层进行特征分类,得到目标断路器油温的预测结果。
可选地,将所述时间序列输入至所述全局特征提取网络,得到全局特征下的断路器油温特征,包括:
将所述时间序列输入至所述全局特征提取网络的压平全连接层,进行浅层特征提取,得到全局特征下的初级特征;
将所述全局特征下的初级特征输入至全局特征提取网络的残差层,进行深层特征提取,得到全局特征下的的断路器油温特征。
可选地,所述对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本,包括:
统计预测周期开始之前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温;
对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充;
识别并剔除所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对所述断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪;
判断处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温,是否满足周期性;
若不满足周期性,则重复执行上述操作,直至处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温满足周期性。
可选地,所述对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充之前,还包括:
将所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温分解为适应所述断路器油温预测模型的长期趋势数据以及季节趋势数据;
对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验;
在所述平稳性检验和白噪音检验通过时,执行对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温的缺失值进行填充的步骤。
可选地,所述将根据所述目标断路器的瞬间分断电流、开合位移、环境温度以及油温生成时间序列,并输入至所述断路器油温预测模型,得油温预测结果之后,还包括:
根据预测时间周期,持续获取断路器的瞬间分断电流、开合位移、环境温度以及油温;
将获取到的目标断路器的瞬间分断电流、开合位移、环境温度以及油温输入测试样本,得到新的训练样本;
根据所述新的训练样本,对所述断路器油温预测模型进行校正。
此外,为实现上述目的,本发明还提出一种断路器油温预测装置,所述断路器油温预测装置包括:
获取模块,用于获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;
处理模块,用于对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;
建模模块,用于对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;
所述获取模块,还用于获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;
预测模块,用于根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。
此外,为实现上述目的,本发明还提出一种断路器油温预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的断路器油温预测程序,所述断路器油温预测程序配置为实现如上文所述的断路器器油温预测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有断路器油温预测程序,所述断路器油温预测程序被处理器执行时实现如上文所述的断路器油温预测方法。
本发明有益效果:
本发明其公开了一种断路器油温预测方法、装置、设备及存储介质,该方法包括:获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。从而根据断路器工作数据,建立断路器油温预测模型,精确预测出未来的断路器油温,避免出现断路器油温过高,导致油质氧化,绝缘老化,弹簧退火失效,触头氧化加剧,导致断路器损坏。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的断路器油温预测设备结构示意图;
图2为本发明断路器油温预测方法第一实施例的流程示意图;
图3为本发明断路器油温预测方法第二实施例的流程示意图;
图4为本发明断路器油温预测方法第三实施例的流程示意图;
图5为本发明断路器油温预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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的一部分实施例,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得的所有其他实施例,都属于本发明保护的范围。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的断路器油温预测设备结构示意图。
如图1所示,该断路器油温预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对断路器油温预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及断路器油温预测程序。
在图1所示的断路器油温预测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述断路器油温预测设备通过处理器1001调用存储器1005中存储的断路器油温预测程序,并执行本发明实施例提供的断路器油温预测方法。
基于上述硬件结构,提出本发明断路器油温预测方法的实施例。
参照图2,图2为本发明断路器油温预测方法第一实施例的流程示意图,提出本发明断路器油温预测方法第一实施例。
在第一实施例中,所断路器油温预测方法包括以下步骤:
步骤S10:获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温。
理解的是,本实施例的执行主体是为断路器油温预测设备,该断路器油温预测设备具有数据处理、数据通信及程序运行等功能。
在具体实施中,会建立一个数据集,来存储这些测量得到的数据,并会设置一个存储周期,并按照预设的储存周期不断存储数据。
需要说明的是,这里选择测量的断路器的瞬间分断电流、开合位移、环境温度均是影响断路器油温的重要变量。此处测量的断路器是指的油断路器,以密封的绝缘油作为开断故障的灭弧介质的一种开关设备,有多油断路器和少油断路器两种形式;它较早应用于电力系统中,技术已经十分成熟,价格比较便宜,广泛应用于各个电压等级的电网中,油断路器用来切断和接通电源,并在短路时能迅速可靠地切断电流的一种高压开关设备。此处用到的温度传感采用的是油温色谱检测的方式来测量。
步骤S20:对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本。
应理解的是,所述获取训练样本是时序建模中尤为重要的一环,时序预测即是,通过训练样本来预测未来的油温变化。优化训练样本,对训练样本进行预处理,剔除掉数据集中的错误的数据后,再用新的训练样本对断路器油温预测进行预测。
在具体实施中,统计预测周期开始之前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温;对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充;识别并剔除所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对所述断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪;判断处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温,是否满足周期性;若不满足周期性,则重复执行上述操作,直至处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温满足周期性。
步骤S30:对所述断路器的训练样本进行时序分析,得到断路器油温预测模型。
在具体实施中,分别构建时序特征提取网络和全局特征提取网络;根据所述训练样本通过深度学习,分别对所述时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络;将所述优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。
应当理解的是,通常环境温度受到季节交替的影响较大,例如,冬天的温度普遍比夏天的环境温度低所以这里断路器油温预测参数按照季节规律来进行分类,提高了预测的准确性。
步骤S40:获取目标断路器的当前瞬间分断电流、开合位移以及环境温度。
在具体实现中,断路器油温预测设备发送收集指令到电流传感器、温度传感器以及距离传感器,以使电流传感器、温度传感器以及距离传感器在接受到了收集指令后开始收集目标断路器的瞬间分断电流、开合位移、环境温度以及油温,从而可以断路器的瞬间分断电流、开合位移、环境温度以及油温。
需要说明的是,这里测量的油温是指目标断路器油箱的顶层油温,这里的开合位移是指在每一次电路断开时,断路器触头的位移。
步骤S50:根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。
在具体实施中,将根据所述目标断路器的瞬间分断电流、开合位移、环境温度以及油温生成时间序列,并输入至所述断路器油温预测模型,得油温预测结果之后,还包括:根据预测时间周期,持续获取断路器的瞬间分断电流、开合位移、环境温度以及油温;将获取到的目标断路器的瞬间分断电流、开合位移、环境温度以及油温输入测试样本,得到新的训练样本;根据所述新的训练样本,对所述断路器油温预测模型进行校正。例如在现在收集到了断路器的瞬间分断电流、开合位移、环境温度以及油温,会持续将现在收集到的目标断路器的瞬间分断电流、开合位移、环境温度以及油温添加到测试序列中,再用新的测试序列对目标断路器油温预测模型进行校正,得到新的断路器油温预测模型,再根据新的油温预测模型得到新的预测结果,从而实现了不断更新模型的效果。
在本实施例中,获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。从而根据断路器工作数据,建立断路器油温预测模型,精确预测出未来的断路器油温,避免出现断路器油温过高,导致油质氧化,绝缘老化,弹簧退火失效,触头氧化加剧,导致断路器损坏。
参照图3,图3为本发明断路器油温预测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明断路器油温预测方法的第二实施例。
在第二实施例中,所述步骤S30,包括:
步骤S301:分别构建时序特征提取网络和全局特征提取网络。
需要说明的是,时序特征提取网络用于对训练样本进行特征提取,得到训练数据样本对应的时间尺度下的目标断路器的油温特征,所述全局特征提取网络,用于对所述训练样本进行特征提取,得到训练数据样本的对应的全局尺度下的油温特征。
步骤S302:根据所述训练样本通过深度学习,分别对所述时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络。
需要说明的是,通过深度学习预测模型,将时序特征提取网络模型和全局特征提取网络结合起来。从而在时间尺度和全局尺度上对输入的训练序列进行从时间尺度和全局尺度上的特征提取。
步骤S303:将所述优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。
在具体实施中,分别将所述时间序列输入至所述时序特征提取网络和全局特征提取网络,得到时间尺度下的断路器油温特征和全局特征下的断路器油温特征;将所述时间尺度下的断路器油温特征和全局特征下的断路器油温特征通过所述融合层进行相融,得到断路器油温融合特征;将所述断路器油温融合特征通过连接层进行特征分类,得到目标断路器油温的预测结果。例如:分别将述时间序列输入至时序特征提取网络和全局特征提取网络,可以得到时间尺度下的的断路器油温特征和全局特征下的断路器油温特征,再将其融合得到断路器油温融合特征。
应该理解的是,将所述时间序列输入至所述全局特征提取网络,得到全局特征下的断路器油温特征,包括:将所述时间序列输入至所述全局特征提取网络的压平全连接层,进行浅层特征提取,得到全局特征下的初级特征;将所述全局特征下的初级特征输入至全局特征提取网络的残差层,进行深层特征提取,得到全局特征下的的断路器油温特征。
在本实施例中,分别构建时序特征提取网络和全局特征提取网络;根据所述训练样本通过深度学习,分别对所述时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络;将所述优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。从而可以建立时序特征提取网络和全局特征提取网络,得到对应尺度的特征,再将对应尺度上的特征融合得到断路器油温预测结果。
参照图4,图4为本发明断路器油温预测方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明断路器油温预测方法的第三实施例。
在第三实施例中,所述步骤S20,包括:
步骤S201:统计预测周期开始之前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温。
需要说明的是,选取历史数据的前几个月的数据,选择同一个季节的数据进行预测,其准确性会提高。
步骤S202:对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充。
在具体实施中,在对所历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理之前,还会进行对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温的缺失值进行填充;识别并剔除所述历史测量断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪;判断所述处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温是否满足周期性,若不满足,则重复执行上述操作。例如:出现过高的环境温度,例如100摄氏度,这种情况属于异常情况,需要剔除掉这一组数据。
步骤S203:识别并剔除所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对所述断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪。
需要说明的是,具体的按序检测过程为,如果对之前数据的平稳性检测不通过,则对所述长期趋势性数据或者季节性数据进行差分运算并再次进行平稳性检验,直到所述长期趋势性数据均通过平稳性检验,则开始进行白噪音检验,并如果白噪音检验不通过,则确定所述温度历史数据为无效数据;反之,如果通过了白噪音检验,则认定这组数据在时序上存在相关性。
步骤S204:判断处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温,是否满足周期性。
需要说明的是,因为昼夜温差的交替变化和季节变化均满足周期性变化,故而断路器的瞬间分断电流、开合位移、环境温度以及油温,应当也符合自然规律,满足周期的性的变化情况,如果不满足,则可能为异常情况,需要重复处理过程,直到符合规律。
步骤S205:若不满足周期性,则重复执行上述操作,直至处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温满足周期性。
在具体实施中,判断预处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温是否满足预先设置好的精度要求,若不满足则对该,直到满足预设的精度要求再用此预测模型来预测目标隔离开关触头的剩余寿命。
在本实施例中,对所述历史测量的顶层油温、负荷率以及环境温度的缺失值进行填充;识别并剔除所述历史测量的顶层油温、负荷率以及环境温度中的异常值,并对所述历史测量的顶层油温、负荷率以及环境温度进行平滑去噪;判断处理后的历史测量的顶层油温、负荷率以及环境温度,是否满足周期性,若不满足周期性,则重复执行上述操作,直至处理后的历史测量的顶层油温、负荷率以及环境温度满足周期性。进而可以得到合适的历史数据集,增加了油温预测的精确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有断路器油温预测程序,所述断路器油温预测程序被处理器执行时实现如上文所述的断路器油温方法的步骤。
由于本存储介质可以采用上述所有实施例的技术方案,因此至少具有上述实施例的技术方案所带来的有益效果,在此不再一一赘述。
参照图5,图5为本发明断路器油温预测装置第一实施例的功能模块示意图。
本发明断路器油温预测装置第一实施例中,该断路器油温预测装置包括:
获取模块10,用于获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;
处理模块20,用于对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;
建模模块30,用于对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;
所述获取模块10,还用于获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;
预测模块40,用于根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。
在本实施例中,获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。从而根据断路器工作数据,建立断路器油温预测模型,精确预测出未来的断路器油温,避免出现断路器油温过高,导致油质氧化,绝缘老化,弹簧退火失效,触头氧化加剧,导致断路器损坏。
在一实施例中,所述处理模块20,还用于对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本,包括:
统计预测周期开始之前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温;
对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充;
识别并剔除所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对所述断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪;
判断处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温,是否满足周期性;
若不满足周期性,则重复执行上述操作,直至处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温满足周期性。
在一实施例中,所述处理模块20,还用于对所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充之前,还包括:
将所述前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温分解为适应所述断路器油温预测模型的长期趋势数据以及季节趋势数据;
对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验;
在所述平稳性检验和白噪音检验通过时,执行对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温的缺失值进行填充的步骤。
在一实施例中,所述处理模块20,还用于将根据所述目标断路器的瞬间分断电流、开合位移、环境温度以及油温生成时间序列,并输入至所述断路器油温预测模型,得油温预测结果之后,还包括:
根据预测时间周期,持续获取断路器的瞬间分断电流、开合位移、环境温度以及油温;
将获取到的目标断路器的瞬间分断电流、开合位移、环境温度以及油温输入测试样本,得到新的训练样本;
根据所述新的训练样本,对所述断路器油温预测模型进行校正。
在一实施例中,所述建模模块30,还用于对所述断路器油温的训练样本进行时序分析,得到断路器油温预测模型,包括:
分别构建时序特征提取网络和全局特征提取网络;
根据所述训练样本通过深度学习,分别对所述时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络;
将所述优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。
在一实施例中,所述建模模块30,还用于根据所述目标断路器的瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果,包括:
分别将所述时间序列输入至所述时序特征提取网络和全局特征提取网络,得到时间尺度下的断路器油温特征和全局特征下的断路器油温特征;
将所述时间尺度下的断路器油温特征和全局特征下的断路器油温特征通过所述融合层进行相融,得到断路器油温融合特征;
将所述断路器油温融合特征通过连接层进行特征分类,得到目标断路器油温的预测结果。
在一实施例中,所述建模模块30,还用于将所述时间序列输入至所述全局特征提取网络,得到全局特征下的断路器油温特征,包括:
将所述时间序列输入至所述全局特征提取网络的压平全连接层,进行浅层特征提取,得到全局特征下的初级特征;
将所述全局特征下的初级特征输入至全局特征提取网络的残差层,进行深层特征提取,得到全局特征下的的断路器油温特征。
本发明所述断路器油温预测装置的其他实施例或具体实现方式可参照上述各方法实施例,因此至少具有上述实施例的技术方案所带来的所有有益效果,此处不再赘述。
Claims (10)
1.一种断路器油温预测方法,其特征在于,所述方法包括以下步骤:
获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;
对历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;
对断路器的训练样本进行时序分析,得到断路器油温预测模型;
获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;
根据目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至断路器油温预测模型,得到断路器油温预测结果。
2.根据权利要求1所述的方法,其特征在于,对断路器油温的训练样本进行时序分析,得到断路器油温预测模型,包括:
分别构建时序特征提取网络和全局特征提取网络;
根据训练样本通过深度学习,分别对时序特征提取网络和全局特征提取网络进行训练,得到优化后的时序特征提取网络和全局特征提取网络;
将优化后的时序特征提取网络和全局特征提取网络通过融合层和连接层相结合,得到断路器油温预测模型。
3.根据权利要求2所述的方法,其特征在于,根据所述目标断路器的瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果,包括:
分别将时间序列输入至时序特征提取网络和全局特征提取网络,得到时间尺度下的断路器油温特征和全局特征下的断路器油温特征;
将时间尺度下的断路器油温特征和全局特征下的断路器油温特征通过所述融合层进行相融,得到断路器油温融合特征;
将断路器油温融合特征通过连接层进行特征分类,得到目标断路器油温的预测结果。
4.根据权利要求3所述的方法,其特征在于,将时间序列输入至全局特征提取网络,得到全局特征下的断路器油温特征,包括:
将时间序列输入至全局特征提取网络的压平全连接层,进行浅层特征提取,得到全局特征下的初级特征;
将全局特征下的初级特征输入至全局特征提取网络的残差层,进行深层特征提取,得到全局特征下的的断路器油温特征。
5.根据权利要求1所述的方法,其特征在于,对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本,包括:
统计预测周期开始之前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温;
对前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充;
识别并剔除所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温中的异常值,并对断路器的瞬间分断电流、开合位移、环境温度以及油温进行平滑去噪;
判断处理后的断路器的瞬间分断电流、开合位移、环境温度以及油温,是否满足周期性;
若不满足周期性,则重复执行上述操作,直至处理后的历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温满足周期性。
6.根据权利要求5所述的方法,其特征在于,所述对前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温的历史数据的缺失值进行填充之前,还包括:
将前若干月的断路器的瞬间分断电流、开合位移、环境温度以及油温分解为适应断路器油温预测模型的长期趋势数据以及季节趋势数据;
对长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验;
在平稳性检验和白噪音检验通过时,执行对历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温的缺失值进行填充的步骤。
7.根据权利要求1至6中任一项所述方法,其特征在于,根据目标断路器的瞬间分断电流、开合位移、环境温度以及油温生成时间序列,并输入至断路器油温预测模型,得油温预测结果之后,还包括:
根据预测时间周期,持续获取断路器的瞬间分断电流、开合位移、环境温度以及油温;
将获取到的目标断路器的瞬间分断电流、开合位移、环境温度以及油温输入测试样本,得到新的训练样本;
根据新的训练样本,对断路器油温预测模型进行校正。
8.一种断路器油温预测装置,其特征在于,断路器油温预测预测装置包括:
获取模块,用于获取历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温;
处理模块,用于对所述历史测量的断路器的瞬间分断电流、开合位移、环境温度以及油温进行预处理,得到目标断路器的训练样本;
建模模块,用于对所述断路器的训练样本进行时序分析,得到断路器油温预测模型;
所述获取模块,还用于获取目标断路器的当前瞬间分断电流、开合位移以及环境温度;
预测模块,用于根据所述目标断路器的当前瞬间分断电流、开合位移以及环境温度生成时间序列,并输入至所述断路器油温预测模型,得到断路器油温预测结果。
9.一种断路器油温预测设备,其特征在于,所述断路器油温预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的断路器油温预测预测程序,所述断路器油温预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的断路器油温预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有断路器油温预测预测程序,所述断路器油温预测预测程序被处理器执行时实现如权利要求1至7中任一项所述的断路器油温预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453509.2A CN115906631A (zh) | 2022-11-21 | 2022-11-21 | 一种断路器油温预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453509.2A CN115906631A (zh) | 2022-11-21 | 2022-11-21 | 一种断路器油温预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906631A true CN115906631A (zh) | 2023-04-04 |
Family
ID=86477989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211453509.2A Pending CN115906631A (zh) | 2022-11-21 | 2022-11-21 | 一种断路器油温预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906631A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN112257947A (zh) * | 2020-10-30 | 2021-01-22 | 红云红河烟草(集团)有限责任公司 | 制烟环境温湿度预测方法、装置以及设备 |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN112785081A (zh) * | 2021-02-04 | 2021-05-11 | 三一重工股份有限公司 | 油温预测方法、装置、电子设备和存储介质 |
-
2022
- 2022-11-21 CN CN202211453509.2A patent/CN115906631A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN112257947A (zh) * | 2020-10-30 | 2021-01-22 | 红云红河烟草(集团)有限责任公司 | 制烟环境温湿度预测方法、装置以及设备 |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN112785081A (zh) * | 2021-02-04 | 2021-05-11 | 三一重工股份有限公司 | 油温预测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
CN115878958A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN116360377B (zh) | 电芯化成分容的数据处理方法及分布式控制系统 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN114579644A (zh) | 基于深度学习的电池有效充电数据识别方法、设备和介质 | |
CN113935443B (zh) | 异构设备多域联合故障预测方法、装置、终端及存储介质 | |
KR20210083418A (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
CN114691521A (zh) | 一种基于人工智能的软件测试平台 | |
CN117031182B (zh) | 配电站所终端遥测值异常检测方法及系统 | |
CN115906631A (zh) | 一种断路器油温预测方法、装置、设备及存储介质 | |
CN110544031B (zh) | 电能表可靠度预计方法、装置、计算机设备和存储介质 | |
CN115078618B (zh) | 一种变压器油色谱故障识别方法及相关装置 | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
CN112037084B (zh) | 一种测试配电主站故障处理测试分析方法及系统 | |
CN115840135A (zh) | 一种隔离开关触头寿命预测方法、装置、设备及存储介质 | |
CN113131476B (zh) | 一种用电负荷预测方法 | |
CN115796627A (zh) | 接触器状态评估方法、设备、存储介质及装置 | |
CN118036826A (zh) | 六氟化硫气体压力趋势预测方法、装置、设备及存储介质 | |
CN117648612B (zh) | 并联电池组故障检测方法、装置、电子设备和存储介质 | |
CN115758733A (zh) | 一种导线接头温度预测方法、装置、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 |