CN116074658B - 一种基于物联网的水电站坝基监控方法及系统 - Google Patents

一种基于物联网的水电站坝基监控方法及系统 Download PDF

Info

Publication number
CN116074658B
CN116074658B CN202310200852.4A CN202310200852A CN116074658B CN 116074658 B CN116074658 B CN 116074658B CN 202310200852 A CN202310200852 A CN 202310200852A CN 116074658 B CN116074658 B CN 116074658B
Authority
CN
China
Prior art keywords
dam foundation
data
module
hydropower station
neural network
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
Application number
CN202310200852.4A
Other languages
English (en)
Other versions
CN116074658A (zh
Inventor
王勇飞
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.)
Chengdu Dahui Wulian Technology Co ltd
Original Assignee
Chengdu Dahui Wulian Technology 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 Chengdu Dahui Wulian Technology Co ltd filed Critical Chengdu Dahui Wulian Technology Co ltd
Priority to CN202310200852.4A priority Critical patent/CN116074658B/zh
Publication of CN116074658A publication Critical patent/CN116074658A/zh
Application granted granted Critical
Publication of CN116074658B publication Critical patent/CN116074658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G16Y30/10—Security thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0435—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply symmetric encryption, i.e. same key used for encryption and decryption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45579—I/O management, e.g. providing access to device drivers or storage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/505—Clust
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/84—Measuring functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于物联网的水电站坝基监控方法及系统，实现对现场的水电站机组进行远距离监控，能够实时的实现对远程设备的状态信息获取、故障诊断以及控制决策，还可以直观且准确地反映坝基工作状态，进而指导安全管理工作。本发明通过将坝基数据进行规范化处理，减小了由不同数据的量纲上差异造成的不良模型训练结果，并将其划分为训练数据集和测试数据集，提高神经网络模型输出结果的精度。本发明通过给初始神经网络模型设置隐藏层节点数和权重更新函数，使其达到理论上的更优异的解，在提高预测精度的同时减少计算时间，具有很强的实用性和广阔的应用前景。

Description

一种基于物联网的水电站坝基监控方法及系统
技术领域
本发明属于水电站监控设备技术领域，具体涉及一种基于物联网的水电站坝基监控方法及系统。
背景技术
电力是现代化工业生产和日常生活中不可或缺的动力能量，水能开发的主要方式是水力发电，但水电站一般坐落于交通较不方便的山区，其对单位职工的工作和生活来说非常不方便。传统的水电站远程监控控制器无法满足日益增长的控制精度和监控规模的环境条件。在实际工业控制中加入物联网技术是具有良好的发展前景的，水电站远程监控系统也需要向智慧化水电站方向发展，现有的基于物联网的水电站远程监控系统对水电站的监测内容比较单一，仅仅是对发电机的各项数据进行监测，不能满足水电站安全监控，安全监测对于水电站监管意义重大，当设备发生故障时水电站监管部门及运营单位无法及时地掌握，不能及时地做出正确的应对决策以避免安全事故的发生，坝基的安全状态成果可以直观且准确地反映水电站工作状态，利于水电站的安全管理和及时决策。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于物联网的水电站坝基监控方法及系统解决了水电站坝基工作环境监测不够详细、监测数据不够准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于物联网的水电站坝基监控方法，包括以下步骤：
S1、通过数据采集模块采集水电站机组的各类状态信息和坝基的固定测点信息，并将其发送至控制器模块；
S2、通过控制器模块将水电站机组的各类状态信息和坝基的固定测点信息进行加密，生成加密信息并将其发送至上位机模块；
S3、通过上位机模块解密加密信息，获取水电站机组的各类状态信息和坝基的固定测点信息；
S4、根据水电站机组的各类状态信息监测水电站的运行状态参数，根据坝基的固定测点信息监测坝基的安全状态，完成水电站坝基的监控。
本发明的有益效果为：
（1）本发明提供了一种基于物联网的水电站坝基监控方法，通过将坝基数据进行规范化处理，减小了由不同数据的量纲上差异造成的不良模型训练结果，并将其划分为训练数据集和测试数据集，提高神经网络模型输出结果的精度。
（2）本发明通过给初始神经网络模型设置隐藏层节点数和权重更新函数，使其达到理论上的更优异的解，在提高预测精度的同时减少计算时间，具有很强的实用性和广阔的应用前景。
进一步地：所述S2中，生成加密信息的方法包括以下分步骤：
S21、将水电站机组的各类状态信息和坝基的固定测点信息的明文拆分为若干明文组；
S22、将每个明文组输入至改进的AES加密算法进行轮加密的循环迭代操作，生成每个明文组对应的密文；
S23、将每个明文组对应的密文相加，生成加密信息。
上述进一步方案的有益效果为：将每个明文组对应的密文相加，生成加密信息实现了密文的随机性，增加破解的难度，提高加密算法的安全性能。
进一步地：所述S22包括以下分步骤：
S221、将每个明文组以参数的形式输入改进的AES加密算法，获取系统时间并设置迭代数为1；
S222、将每个明文组进行密钥扩展算法，得到轮密钥；
S223、将每个明文组依次进行字节替代算法、行移位算法、列混合算法和轮密钥加算法，得到第一密文；
S224、判断迭代数是否大于6，若是，则将第一密文作为第二密文，进入S225；若否，则将迭代数加1，并返回S222；
S225、根据系统时间生成随机数据，根据随机数据和第二密文生成每个明文组对应的密文。
上述进一步方案的有益效果为：改进的AES加密算法设定为7轮加密过程，其相比改进前的AES加密算法设计了十轮的加密过程，该改进的实际目的是为了留出安全冗余，本发明改进的AES加密算法明显提高了加密运行速度，在出现较大长度的明文分组时不会耗费额外的时间。
进一步地：所述S4中，监测水电站的运行状态参数的方法具体为：
根据交流电流表、交流电压表、水位传感器、第一温度传感器和转速传感器监测水电站机组的各类状态信息，完成水电站的运行状态参数检测。
上述进一步方案的有益效果为：根据实际采集数据的需求设置相应的传感器，即可获取水电站的运行状态参数的监测需要获取水电站机组的水位、功率和温湿度等物理量数据。
进一步地：所述S4中，监测坝基的安全状态的方法包括以下分步骤：
S41、将水压传感器和第二温度传感器设置于坝基的固定测点；
S42、通过中央控制模块获取指定时间段内的水压传感器和第二温度传感器采集的坝基数据，并对坝基数据进行规范化处理，得到训练数据集和测试数据集；
S43、通过中央控制模块调度初始神经网络模型，通过容器实例模块根据训练数据集调度实例容器组，设定初始神经网络模型的参数；
S44、将测试数据集输入初始神经网络模型，通过算力资源模块加速初始神经网络模型训练，得到坝基安全数据，完成坝基的安全状态的监测。
上述进一步方案的有益效果为：去除无关数据可减少坝基数据的数据量，减小误差。
进一步地：所述S42包括以下分步骤：
S421、获取指定时间段中每日的同一时间点水压传感器和第二温度传感器采集的坝基数据，其包括坝基的固定测点在某一水位下的水压数据和温度数据；
S422、将坝基数据进行零-均值规范化处理，将坝基数据值映射到0~1之间，得到规范化的坝基数据；
S423、根据规范化的坝基数据生成训练数据集和测试数据集。
上述进一步方案的有益效果为：将坝基数据分为训练数据集和测试数据集，可以根据训练数据集设定合适的初始神经网络模型参数，以此达到更精确的预测效果。
进一步地：所述S422中，得到规范化的坝基数据的表达式具体为：
式中，x为坝基数据，为坝基数据的均值，/>为坝基数据的标准差。
上述进一步方案的有益效果为：通过将坝基数据值映射到0~1之间对坝基数据进行归一化，可以消除不同指标参数之间的量纲不同造成的影响，将坝基数据中各个数据的量纲转换成统一的数量级，使其更适宜对比分析。
进一步地：所述S43包括以下分步骤：
S431、通过中央控制模块调度初始神经网络模型；
S432、通过容器实例模块调取kernel容器组和CloudIDE容器组，获取训练数据集的坝基数据样本对应的动态向量参数和学习率；
S433、根据训练数据集的坝基数据样本对应的动态参数和学习率计算初始神经网络模型的隐藏层节点数和权重更新函数，完成初始神经网络模型的参数设定。
上述进一步方案的有益效果为：CloudIDE容器组包含了前端渲染进程和后端服务进程，通过JSON-RPC 、基于 RESTful API 和WebSocket 协议通信提供服务，kernel容器组是主容器，能为用户提供相应的Python/R 计算环境。
进一步地：所述S432具体为：
通过kernel容器组获取训练数据集的坝基数据样本的标签，通过CloudIDE容器组件根据坝基数据样本的标签查询神经网络的学习率和动态向量参数。
上述进一步方案的有益效果为：查询神经网络的学习率和动态向量参数可以有利于训练初始神经网络模型。
进一步地：所述S433中，计算初始神经网络模型的隐藏层节点数H的表达式具体为：
式中，c为初始神经网络模型的输入层节点数，J为初始神经网络模型的输出层节点数，为动态向量参数，G为常数，其值为1~9之间的整数；
所述权重更新函数的表达式具体为：
式中，为前一次更新的权重，/>为学习率，/>为单位矩阵，u为比例因子，E为网络预测误差，/>为雅可比矩阵，n为更新次数。
上述进一步方案的有益效果为：设置权重更新函数可以使训练的初始神经网络模型收敛，减少错误权重的选择，动态向量参数在模型训练的过程中主要用于平衡减少训练的震荡，这个参数可以作为函数迭代的时候，增加动量项的比例系数使用，在提高参数学习率的同时降低动态向量参数的值，防止系统过于震荡，影响最后的分类效果。
进一步地：所述S44具体为：
通过算力资源模块调用CPU集群和GPU集群，将测试数据集输入初始神经网络模型，通过CPU集群和GPU集群进行多核并行加速训练，得到坝基安全数据，完成坝基的安全状态的监测。
上述进一步方案的有益效果为：调用CPU集群和GPU集群可以加速初始神经网络模型训练。
一种所述基于物联网的水电站坝基监控方法的基于物联网的水电站坝基监控系统，包括依次连接的数据采集模块、控制器模块、通信模块和上位机模块；
其中，所述数据采集模块包括水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器；
所述水位传感器、交流电流表、交流电压表、第一温度传感器和转速传感器均设置于水利发电机上；
所述水压传感器设置于坝基的固定测点，所述第二温度传感器设置于坝基的固定测点；
所述数据采集模块用于采集水电站机组的各类状态信息和坝基的固定测点信息，所述控制器模块用于将水电站机组的各类状态信息和坝基的固定测点信息进行加密处理，所述通信模块用于将加密处理信息发送至上位机模块，所述上位机模块用于根据加密处理信息获得水电站机组运行状态数据和坝基安全数据。
本发明的有益效果为：（1）本发明提供的一种基于物联网的水电站坝基监控系统，实现对现场的水电站机组进行远距离监控，能够实时的实现对远程设备的状态信息获取、故障诊断以及控制决策。
（2）本发明可以直观且准确地反映坝基工作状态，进而指导安全管理工作。
进一步地：所述控制器模块具体为单片机，所述单片机分别与所述水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器通信连接。
上述进一步方案的有益效果为：选用单片机提供了很高的代码效率，更有效地进行数据分析和处理，并具有优越的计算性能、丰富的片上资源和先进的中段响应系统。
进一步地：所述通信模块包括GPRS模块、WIFI模块和RS485模块，其中，所述GPRS模块、WIFI模块和RS485模块均与所述单片机连接。
上述进一步方案的有益效果为：根据网络条件选择GPRS模块和WIFI模块进行通讯，GPRS模块上电后首先向微控制器发送鉴权信息，验证了云平台身份后，GPRS模块再与RS485模块进行通讯连接，单片机进行程序加密，通过SPI接口将其存储在片外FLASH中，提高数据的安全性。
进一步地：所述上位机模块包括依次连接的中央控制模块、容器实例模块和算力资源模块；
所述中央控制模块用于获取坝基数据，还用于获取坝基数据训练的神经网络模型，所述容器实例模块用于获取神经网络模型的实例容器组，根据实例容器组训练神经网络模型，所述算力资源模块用于获取CPU或GPU训练神经网络模型；
所述算力资源模块包括CPU集群和GPU集群，所述容器实例模块设置有模型训练工作节点的实例容器组。
上述进一步方案的有益效果为：上位机模块中的中央控制模块、容器实例模块和算力资源模块的整体架构设计，能够提高运行的稳定性和可靠性，实现不间断的高可靠算力资源供给。
附图说明
图1为本发明一种基于物联网的水电站坝基监控方法的流程图。
图2为本发明一种基于物联网的水电站坝基监控系统的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，在本发明的一个实施例中，一种基于物联网的水电站坝基监控方法，包括以下步骤：
S1、通过数据采集模块采集水电站机组的各类状态信息和坝基的固定测点信息，并将其发送至控制器模块；
S2、通过控制器模块将水电站机组的各类状态信息和坝基的固定测点信息进行加密，生成加密信息并将其发送至上位机模块；
S3、通过上位机模块解密加密信息，获取水电站机组的各类状态信息和坝基的固定测点信息；
S4、根据水电站机组的各类状态信息监测水电站的运行状态参数，根据坝基的固定测点信息监测坝基的安全状态，完成水电站坝基的监控。
在本实施例中，通过采集水电站机组的各类状态信息和坝基的固定测点信息实现对现场的水电站机组进行远距离监控，让水电站工作人员能够实时的实现对远程设备的状态信息获取、故障诊断以及控制决策。
实施例2：
针对实施例1中的S2，在本实施例中，所述S2中生成加密信息的方法包括以下分步骤：
S21、将水电站机组的各类状态信息和坝基的固定测点信息的明文拆分为若干明文组；
S22、将每个明文组输入至改进的AES加密算法进行轮加密的循环迭代操作，生成每个明文组对应的密文；
S23、将每个明文组对应的密文相加，生成加密信息。
在本实施例中，将每个明文组对应的密文相加，生成加密信息实现了密文的随机性，增加破解的难度，提高加密算法的安全性能。为了提高算法的运行效率，将改进的AES加密算法的执行过程并行化，即采用异步操作，同时处理若干明文组。例如将处理明文分组的线程数变成四个，相比于原先的AES算法的加密效率可以增加三倍。
实施例3：
针对实施例2中的S22，在本实施例中，所述S22包括以下分步骤：
S221、将每个明文组以参数的形式输入改进的AES加密算法，获取系统时间并设置迭代数为1；
S222、将每个明文组进行密钥扩展算法，得到轮密钥；
S223、将每个明文组依次进行字节替代算法、行移位算法、列混合算法和轮密钥加算法，得到第一密文；
S224、判断迭代数是否大于6，若是，则将第一密文作为第二密文，进入S225；若否，则将迭代数加1，并返回S222；
S225、根据系统时间生成随机数据，根据随机数据和第二密文生成每个明文组对应的密文。
在本实施例中，改进的AES加密算法设定为7轮加密过程，其相比改进前的AES加密算法设计了十轮的加密过程，该改进的实际目的是为了留出安全冗余，本发明改进的AES加密算法明显提高了加密运行速度，在出现较大长度的明文分组时不会耗费额外的时间。
实施例4：
针对实施例1中的S4，在本实施例中，所述S4中，监测水电站的运行状态参数的方法具体为：
根据交流电流表、交流电压表、水位传感器、第一温度传感器和转速传感器监测水电站机组的各类状态信息，完成水电站的运行状态参数检测。
在本实施例中，水电站的运行状态参数的监测需要获取水电站机组的水位、功率和温湿度等物理量数据，根据实际采集数据的需求设置相应的传感器，通过对应的传感器进行状态量的获取。
实施例5：
针对实施例1中的S4，在本实施例中，所述S4中，监测坝基的安全状态的方法包括以下分步骤：
S41、将水压传感器和第二温度传感器设置于坝基的固定测点；
S42、通过中央控制模块获取指定时间段内的水压传感器和第二温度传感器采集的坝基数据，并对坝基数据进行规范化处理，得到训练数据集和测试数据集；
S43、通过中央控制模块调度初始神经网络模型，通过容器实例模块根据训练数据集调度实例容器组，设定初始神经网络模型的参数；
S44、将测试数据集输入初始神经网络模型，通过算力资源模块加速初始神经网络模型训练，得到坝基安全数据，完成坝基的安全状态的监测。
在本实施例中，获取的坝基数据来源于设置的水压传感器和第二温度传感器，按照设定的时间采集坝基数据，但由于采集的数据较大，通过去除无关数据可减少坝基数据的数据量。
实施例6：
针对实施例5中的S42，在本实施例中，所述S42包括以下分步骤：
S421、获取指定时间段中每日的同一时间点水压传感器和第二温度传感器采集的坝基数据，其包括坝基的固定测点在某一水位下的水压数据和温度数据；
S422、将坝基数据进行零-均值规范化处理，将坝基数据值映射到0~1之间，得到规范化的坝基数据；
S423、根据规范化的坝基数据生成训练数据集和测试数据集。
在本实施例中，将坝基数据分为训练数据集和测试数据集，可以根据训练数据集设定合适的初始神经网络模型参数，以此达到更精确的预测效果。
实施例7：
针对实施例6中的S422，在本实施例中，所述S422中，得到规范化的坝基数据的表达式具体为：
式中，x为坝基数据，为坝基数据的均值，/>为坝基数据的标准差。
在本实施例中，通过将坝基数据值映射到0~1之间对坝基数据进行归一化，可以消除不同指标参数之间的量纲不同造成的影响，将坝基数据中各个数据的量纲转换成统一的数量级，使其更适宜对比分析。
实施例8：
针对实施例5中的S43，在本实施例中，所述S43包括以下分步骤：
S431、通过中央控制模块调度初始神经网络模型；
S432、通过容器实例模块调取kernel容器组和CloudIDE容器组，获取训练数据集的坝基数据样本对应的动态向量参数和学习率；
S433、根据训练数据集的坝基数据样本对应的动态参数和学习率计算初始神经网络模型的隐藏层节点数和权重更新函数，完成初始神经网络模型的参数设定。
在本实施例中，CloudIDE容器组包含了前端渲染进程和后端服务进程，通过JSON-RPC 、基于 RESTful API 和WebSocket 协议通信提供服务，kernel容器组是主容器，能为用户提供相应的 Python/R 计算环境。
实施例9：
针对实施例8中的S432，在本实施例中，所述S432具体为：
通过kernel容器组获取训练数据集的坝基数据样本的标签，通过CloudIDE容器组件根据坝基数据样本的标签查询神经网络的学习率和动态向量参数。
在本实施例中，查询神经网络的学习率和动态向量参数可以有利于训练初始神经网络模型。
实施例10：
针对实施例8中的S433，在本实施例中，所述S433具体为：
所述S423中，计算初始神经网络模型的隐藏层节点数H的表达式具体为：
式中，c为初始神经网络模型的输入层节点数，J为初始神经网络模型的输出层节点数，为动态向量参数，G为常数，其值为1~9之间的整数；
所述权重更新函数的表达式具体为：
式中，为前一次更新的权重，/>为学习率，/>为单位矩阵，u为比例因子，E为网络预测误差，/>为雅可比矩阵，n为更新次数。
在本实施例中，初始神经网络模型具体为BP神经网络，通过设置初始神经网络模型的隐藏层节点数，能防止提高网络模型容错性和鲁棒，并防止出现过拟合的情况。设置权重更新函数可以使训练的初始神经网络模型收敛，减少错误权重的选择，动态向量参数在模型训练的过程中主要用于平衡减少训练的震荡，这个参数可以作为函数迭代的时候，增加动量项的比例系数使用，在提高参数学习率的同时降低动态向量参数的值，防止系统过于震荡，影响最后的分类效果。
实施例11：
针对实施例5中的S43，在本实施例中，所述S43具体为：
通过算力资源模块调用CPU集群和GPU集群，将测试数据集输入初始神经网络模型，通过CPU集群和GPU集群进行多核并行加速训练，得到坝基安全数据，完成坝基的安全状态的监测。
在本实施例中，调用CPU集群和GPU集群可以加速初始神经网络模型训练。
实施例12：
如图2所示，本发明实施例提供了一种基于物联网的水电站坝基监控系统，包括依次连接的数据采集模块、控制器模块、通信模块和上位机模块；
其中，所述数据采集模块包括水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器；
所述水位传感器、交流电流表、交流电压表、第一温度传感器和转速传感器均设置于水利发电机上；
所述水压传感器设置于坝基的固定测点，所述第二温度传感器设置于坝基的固定测点；
所述数据采集模块用于采集水电站机组的各类状态信息和坝基的固定测点信息，所述控制器模块用于将水电站机组的各类状态信息和坝基的固定测点信息进行加密处理，所述通信模块用于将加密处理信息发送至上位机模块，所述上位机模块用于根据加密处理信息获得水电站机组运行状态数据和坝基安全数据。
在本实施例中，交流电流表和交流电压表均安装在水力发电机组输出电路中，水位传感器安装在水电站储水位置，通过交流电流表、交流电压表、水位传感器、转速传感器和第一温度传感器能采集水电站机组的各类状态信息，便于员工远程掌握水电站机组的工作环境。
实施例13：
针对实施例12中控制器模块，在本实施例中，所述控制器模块具体为单片机，所述单片机分别与所述水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器通信连接。
在本实施例中，单片机选用STM32F103RET6型号，其提供了很高的代码效率，更有效地进行数据分析和处理，并具有优越的计算性能、丰富的片上资源和先进的中段响应系统。
实施例14：
针对实施例12中的通信模块，在本实施例中，所述通信模块包括GPRS模块、WIFI模块和RS485模块，其中，所述GPRS模块、WIFI模块和RS485模块均与所述单片机连接。
在本实施例中，根据网络条件选择GPRS模块和WIFI模块进行通讯，GPRS模块上电后首先向微控制器发送鉴权信息，验证了云平台身份后，GPRS模块再与RS485模块进行通讯连接，单片机进行程序加密，通过SPI接口将其存储在片外FLASH中，提高数据的安全性。
实施例15：
针对实施例12中的上位机模块，在本实施例中，上位机模块包括依次连接的中央控制模块、容器实例模块和算力资源模块；
所述中央控制模块用于获取坝基数据，还用于获取坝基数据训练的神经网络模型，所述容器实例模块用于获取神经网络模型的实例容器组，根据实例容器组训练神经网络模型，所述算力资源模块用于获取CPU或GPU训练神经网络模型。
所述算力资源模块包括CPU集群和GPU集群，所述容器实例模块设置有模型训练工作节点的实例容器组。
在本实施例中，上位机模块中的中央控制模块、容器实例模块和算力资源模块的整体架构设计，能够提高运行的稳定性和可靠性，实现不间断的高可靠算力资源供给。
本发明的有益效果为：本发明提供的一种基于物联网的水电站坝基监控方法及系统实现对现场的水电站机组进行远距离监控，能够实时的实现对远程设备的状态信息获取、故障诊断以及控制决策。
本发明可以直观且准确地反映坝基工作状态，进而指导安全管理工作。
本发明通过将坝基数据进行规范化处理，减小了由不同数据的量纲上差异造成的不良模型训练结果，并将其划分为训练数据集和测试数据集，提高神经网络模型输出结果的精度。
本发明通过给初始神经网络模型设置隐藏层节点数和权重更新函数，使其达到理论上的更优异的解，在提高预测精度的同时减少计算时间，具有很强的实用性和广阔的应用前景。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (11)

1.一种基于物联网的水电站坝基监控方法，其特征在于，包括以下步骤：
S1、通过数据采集模块采集水电站机组的各类状态信息和坝基的固定测点信息，并将其发送至控制器模块；
S2、通过控制器模块将水电站机组的各类状态信息和坝基的固定测点信息进行加密，生成加密信息并将其发送至上位机模块；
S3、通过上位机模块解密加密信息，获取水电站机组的各类状态信息和坝基的固定测点信息；
S4、根据水电站机组的各类状态信息监测水电站的运行状态参数，根据坝基的固定测点信息监测坝基的安全状态，完成水电站坝基的监控；
所述S4中，监测坝基的安全状态的方法包括以下分步骤：
S41、将水压传感器和第二温度传感器设置于坝基的固定测点；
S42、通过中央控制模块获取指定时间段内的水压传感器和第二温度传感器采集的坝基数据，并对坝基数据进行规范化处理，得到训练数据集和测试数据集；
S43、通过中央控制模块调度初始神经网络模型，通过容器实例模块根据训练数据集调度实例容器组，设定初始神经网络模型的参数；
S44、将测试数据集输入初始神经网络模型，通过算力资源模块加速初始神经网络模型训练，得到坝基安全数据，完成坝基的安全状态的监测；
所述S43包括以下分步骤：
S431、通过中央控制模块调度初始神经网络模型；
S432、通过容器实例模块调取kernel容器组和CloudIDE容器组，获取训练数据集的坝基数据样本对应的动态向量参数和学习率；
S433、根据训练数据集的坝基数据样本对应的动态参数和学习率计算初始神经网络模型的隐藏层节点数和权重更新函数，完成初始神经网络模型的参数设定；
所述S432具体为：
通过kernel容器组获取训练数据集的坝基数据样本的标签，通过CloudIDE容器组件根据坝基数据样本的标签查询神经网络的学习率和动态向量参数；
所述S433中，计算初始神经网络模型的隐藏层节点数H的表达式具体为：
式中，c为初始神经网络模型的输入层节点数，J为初始神经网络模型的输出层节点数，为动态向量参数，G为常数，其值为1~9之间的整数；
所述权重更新函数的表达式具体为：
式中，为前一次更新的权重，/>为学习率，/>为单位矩阵，u为比例因子，E为网络预测误差，/>为雅可比矩阵，n为更新次数。
2.根据权利要求1所述的基于物联网的水电站坝基监控方法，其特征在于，所述S2中，生成加密信息的方法包括以下分步骤：
S21、将水电站机组的各类状态信息和坝基的固定测点信息的明文拆分为若干明文组；
S22、将每个明文组输入至改进的AES加密算法进行轮加密的循环迭代操作，生成每个明文组对应的密文；
S23、将每个明文组对应的密文相加，生成加密信息。
3.根据权利要求2所述的基于物联网的水电站坝基监控方法，其特征在于，所述S22包括以下分步骤：
S221、将每个明文组以参数的形式输入改进的AES加密算法，获取系统时间并设置迭代数为1；
S222、将每个明文组进行密钥扩展算法，得到轮密钥；
S223、将每个明文组依次进行字节替代算法、行移位算法、列混合算法和轮密钥加算法，得到第一密文；
S224、判断迭代数是否大于6，若是，则将第一密文作为第二密文，进入S225；若否，则将迭代数加1，并返回S222；
S225、根据系统时间生成随机数据，根据随机数据和第二密文生成每个明文组对应的密文。
4.根据权利要求1所述的基于物联网的水电站坝基监控方法，其特征在于，所述S4中，监测水电站的运行状态参数的方法具体为：
根据交流电流表、交流电压表、水位传感器、第一温度传感器和转速传感器监测水电站机组的各类状态信息，完成水电站的运行状态参数检测。
5.根据权利要求1所述的基于物联网的水电站坝基监控方法，其特征在于，所述S42包括以下分步骤：
S421、获取指定时间段中每日的同一时间点水压传感器和第二温度传感器采集的坝基数据，其包括坝基的固定测点在某一水位下的水压数据和温度数据；
S422、将坝基数据进行零-均值规范化处理，将坝基数据值映射到0~1之间，得到规范化的坝基数据；
S423、根据规范化的坝基数据生成训练数据集和测试数据集。
6.根据权利要求5所述的基于物联网的水电站坝基监控方法，其特征在于，所述S422中，得到规范化的坝基数据的表达式具体为：
式中，x为坝基数据，为坝基数据的均值，/>为坝基数据的标准差。
7.根据权利要求1所述的基于物联网的水电站坝基监控方法，其特征在于，所述S44具体为：
通过算力资源模块调用CPU集群和GPU集群，将测试数据集输入初始神经网络模型，通过CPU集群和GPU集群进行多核并行加速训练，得到坝基安全数据，完成坝基的安全状态的监测。
8.一种基于权利要求1~7任一权利要求所述的基于物联网的水电站坝基监控方法的基于物联网的水电站坝基监控系统，其特征在于，包括依次连接的数据采集模块、控制器模块、通信模块和上位机模块；
其中，所述数据采集模块包括水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器；
所述水位传感器、交流电流表、交流电压表、第一温度传感器和转速传感器均设置于水利发电机上；
所述水压传感器设置于坝基的固定测点，所述第二温度传感器设置于坝基的固定测点；
所述数据采集模块用于采集水电站机组的各类状态信息和坝基的固定测点信息，所述控制器模块用于将水电站机组的各类状态信息和坝基的固定测点信息进行加密处理，所述通信模块用于将加密处理信息发送至上位机模块，所述上位机模块用于根据加密处理信息获得水电站机组运行状态数据和坝基安全数据。
9.根据权利要求8所述的基于物联网的水电站坝基监控系统，其特征在于，所述控制器模块具体为单片机，所述单片机分别与所述水位传感器、交流电流表、交流电压表、第一温度传感器、转速传感器、水压传感器和第二温度传感器通信连接。
10.根据权利要求9所述的基于物联网的水电站坝基监控系统，其特征在于，所述通信模块包括GPRS模块、WIFI模块和RS485模块，其中，所述GPRS模块、WIFI模块和RS485模块均与所述单片机连接。
11.根据权利要求10所述的基于物联网的水电站坝基监控系统，其特征在于，所述上位机模块包括依次连接的中央控制模块、容器实例模块和算力资源模块；
所述中央控制模块用于获取坝基数据，还用于获取坝基数据训练的神经网络模型，所述容器实例模块用于获取神经网络模型的实例容器组，根据实例容器组训练神经网络模型，所述算力资源模块用于获取CPU或GPU训练神经网络模型；
所述算力资源模块包括CPU集群和GPU集群，所述容器实例模块设置有模型训练工作节点的实例容器组。
CN202310200852.4A 2023-03-06 2023-03-06 一种基于物联网的水电站坝基监控方法及系统 Active CN116074658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310200852.4A CN116074658B (zh) 2023-03-06 2023-03-06 一种基于物联网的水电站坝基监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310200852.4A CN116074658B (zh) 2023-03-06 2023-03-06 一种基于物联网的水电站坝基监控方法及系统

Publications (2)

Publication Number Publication Date
CN116074658A CN116074658A (zh) 2023-05-05
CN116074658B true CN116074658B (zh) 2023-08-25

Family

ID=86182104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310200852.4A Active CN116074658B (zh) 2023-03-06 2023-03-06 一种基于物联网的水电站坝基监控方法及系统

Country Status (1)

Country Link
CN (1) CN116074658B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012124881A (ja) * 2010-11-16 2012-06-28 Nakayama Iron Works Ltd 情報ステーション、及びそのネットワークシステム
CN202501869U (zh) * 2012-03-03 2012-10-24 湖南中大智能科技有限公司 基于物联网的尾矿库在线安全监测系统
CN204000777U (zh) * 2014-08-27 2014-12-10 李芝祥 一种可监控的水坝
CN104460627A (zh) * 2014-12-10 2015-03-25 国家电网公司 一种水电站水轮发电机组显控系统及其控制方法
CN207133655U (zh) * 2017-08-02 2018-03-23 国网浙江省电力公司紧水滩水力发电厂 一种水电站分区智能巡检系统
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN109389521A (zh) * 2018-10-12 2019-02-26 江苏亚威变压器有限公司 一种配电网自动化的智能管理系统
CN109547431A (zh) * 2018-11-19 2019-03-29 国网河南省电力公司信息通信公司 一种基于cs和改进bp神经网络的网络安全态势评估方法
CN111627199A (zh) * 2020-04-14 2020-09-04 国电大渡河流域水电开发有限公司 一种水电站大坝安全监测系统及监测方法
CN111967087A (zh) * 2020-07-16 2020-11-20 山东派蒙机电技术有限公司 基于神经网络的网联车辆决策控制模型建立及评估方法
CN112801527A (zh) * 2021-02-05 2021-05-14 北京华可实工程技术有限公司 一种安全监测信息可视化平台
CN115175178A (zh) * 2021-07-30 2022-10-11 成都中科合迅科技有限公司 一种核电站的数据安全处理方法、5g端机及系统
CN115165411A (zh) * 2022-06-16 2022-10-11 西安理工大学 一种水电站绿色运行的综合检测系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149822A (zh) * 2020-07-21 2020-12-29 吉林建筑大学 一种饮用水消毒副产物预测方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012124881A (ja) * 2010-11-16 2012-06-28 Nakayama Iron Works Ltd 情報ステーション、及びそのネットワークシステム
CN202501869U (zh) * 2012-03-03 2012-10-24 湖南中大智能科技有限公司 基于物联网的尾矿库在线安全监测系统
CN204000777U (zh) * 2014-08-27 2014-12-10 李芝祥 一种可监控的水坝
CN104460627A (zh) * 2014-12-10 2015-03-25 国家电网公司 一种水电站水轮发电机组显控系统及其控制方法
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN207133655U (zh) * 2017-08-02 2018-03-23 国网浙江省电力公司紧水滩水力发电厂 一种水电站分区智能巡检系统
CN109389521A (zh) * 2018-10-12 2019-02-26 江苏亚威变压器有限公司 一种配电网自动化的智能管理系统
CN109547431A (zh) * 2018-11-19 2019-03-29 国网河南省电力公司信息通信公司 一种基于cs和改进bp神经网络的网络安全态势评估方法
CN111627199A (zh) * 2020-04-14 2020-09-04 国电大渡河流域水电开发有限公司 一种水电站大坝安全监测系统及监测方法
CN111967087A (zh) * 2020-07-16 2020-11-20 山东派蒙机电技术有限公司 基于神经网络的网联车辆决策控制模型建立及评估方法
CN112801527A (zh) * 2021-02-05 2021-05-14 北京华可实工程技术有限公司 一种安全监测信息可视化平台
CN115175178A (zh) * 2021-07-30 2022-10-11 成都中科合迅科技有限公司 一种核电站的数据安全处理方法、5g端机及系统
CN115165411A (zh) * 2022-06-16 2022-10-11 西安理工大学 一种水电站绿色运行的综合检测系统及方法

Also Published As

Publication number Publication date
CN116074658A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN110059356A (zh) 一种基于大数据和人工智能的大电网智能调控系统和方法
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN105186514A (zh) 一种大规模分布式光伏并网对配网安全评价及预警方法
CN113659565B (zh) 一种新能源电力系统频率态势的在线预测方法
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN109784532A (zh) 一种基于深度学习的厂区能耗预测方法及系统
CN111091240A (zh) 一种公共机构电力能效监测系统及服务方法
CN105427063A (zh) 一种微电网调度决策方法及系统
CN108649556A (zh) 一种电网应急场景随机优化调度方法
CN106408126A (zh) 一种面向能耗数据并发采集的三阶段优化方法
CN112633632A (zh) 一种基于信号分解技术的集成短期风电集群功率预测方法
CN104915889A (zh) 一种基于日负荷曲线在线获取综合负荷模型参数的方法
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm
CN116074658B (zh) 一种基于物联网的水电站坝基监控方法及系统
CN114707422A (zh) 一种基于负荷预测的智能电力缉查方法
Wang et al. Research on integrated energy management and control system architecture based on local energy internet
CN111525550A (zh) 一种功率预测对断面输送功率影响的评估方法及系统
Zhang et al. Topology identification method of low voltage aea based on topological data analysis
Jin et al. A distribution network state estimation method based on distribution generation output mode discrimination
CN117893030B (zh) 基于大数据的电力系统风险预警方法
Xie et al. Energy System Time Series Data Quality Maintenance System Based on Data Mining Technology
Geng et al. A knowledge discovery method for characteristics extraction of power consumption based on cluster analysis
Papadopoulos et al. Efficient design under uncertainty of renewable power generation systems using partitioning and regression in the course of optimization

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