CN116295855B - 基于无线通信网络的故障定位及诊断系统 - Google Patents

基于无线通信网络的故障定位及诊断系统 Download PDF

Info

Publication number
CN116295855B
CN116295855B CN202310590277.3A CN202310590277A CN116295855B CN 116295855 B CN116295855 B CN 116295855B CN 202310590277 A CN202310590277 A CN 202310590277A CN 116295855 B CN116295855 B CN 116295855B
Authority
CN
China
Prior art keywords
value
infrared image
fault
image data
curve
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
CN202310590277.3A
Other languages
English (en)
Other versions
CN116295855A (zh
Inventor
丛犁
李佳
张松
黄成斌
王金宇
张强
祁晗
胡杨
孙浩然
苏丛哲
陈兆强
徐梦
苏伟佳
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.)
Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Jilin 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 Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Jilin Electric Power Co Ltd
Priority to CN202310590277.3A priority Critical patent/CN116295855B/zh
Publication of CN116295855A publication Critical patent/CN116295855A/zh
Application granted granted Critical
Publication of CN116295855B publication Critical patent/CN116295855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/025—Interfacing a pyrometer to an external device or network; User interface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本发明公开了基于无线通信网络的故障定位及诊断系统，涉及电力故障检测的技术领域，当电流流量监控部件检测到任一端口处的流量异常时，启用系统进行故障检测，通过对采集的红外图像进行处理，完成对每一个红外图像数据集的特征深度学习，获取红外图像变动值后判定故障点，相较于现有技术中的直接规则定义，本发明通过红外图像的温区色度处理，量化了变温过程，通过变温数值完成了故障定位，保障了故障点具体位置的获取，同时，本发明基于获取的后续变动曲线分析获取每一个数据点位的故障发生率，对后续的故障进行诊断，提高了故障诊断的准确率。

Description

基于无线通信网络的故障定位及诊断系统
技术领域
本发明涉及电力故障检测的技术领域，尤其涉及基于无线通信网络的故障定位及诊断系统。
背景技术
电力系统由发电、输电、变电、配电和用电等环节组成，其中每个环节又由数量不菲的各种电力设备拼接而成。电力设备种类繁多，相同种类又分不同型号，相同型号又分不同厂家，导致备品备件参数存在差异，标准化进程缓慢，而且随着新技术、新工艺、新设备、新材料的研发，设备的结构原理又在不断的更新，电力设备的故障处理越来越复杂。
在数字化电力系统的应用场景中，电力信息处理设备是数字化电力系统正常运行的基础。现有技术中，工作人员往往通过经验的积累处理电力设备的故障，既降低了电力设备故障的处理效率，又不利于工作人员之间经验的传授和交流，所以亟需找到一种方法解决电力设备故障难以快速、有效处理的问题。
现有中也存有相应的专利技术，如专利授权号为CN110221145B——电力设备故障诊断方法、装置及终端设备，但该项技术在进行故障诊断的过程中是基于预设规则进行逐一判别，对实际过程中所产生的物理变量并未进行单独的量化处理，在进行故障信息生成中无法确保故障诊断的准确率及故障点的具体位置。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有电力设备故障诊断方式存在的问题，提出了本发明。
因此，本发明解决的技术问题是：解决现有电力设备故障诊断方式在进行故障信息生成中无法确保故障诊断准确率及故障点具体位置的问题。
为解决上述技术问题，本发明提供如下技术方案：基于无线通信网络的故障定位及诊断系统，变电器输电端各端口处均设置有电流流量监控部件，当所述电流流量监控部件检测到任一端口处的流量异常时，启用所述系统进行故障检测；其中，所述系统具体包括：红外图像数据采集模块，通过设置于变电器各部件处的红外图像传感器实时获取相应部件的红外图像，并通过内置的传输部件将各所述红外图像无线传输至云端服务器中；云端服务器，与所述红外图像数据采集模块无线数据连接，接收各部件的所述红外图像，同步基于变电器组成布局生成三维资源建模，通过特征标记对应将各所述红外图像依次纳入至对应的三维数据节点中，于每一个所述三维数据节点中生成红外图像数据集；图像数据处理模块，嵌设于所述云端服务器中，于每一个所述三维数据节点中获取点位对应的所述红外图像数据集，并对每一个所述红外图像数据集进行特征深度学习，获取当前数据点位的红外图像变动值，对所述红外图像变动值进行阈值判定分析，完成故障定位；故障发生预测模块，嵌设于所述云端服务器中，与所述图像数据处理模块数据连接，获取所述红外图像变动值，基于所构建的预测模型获取后续变动曲线，基于所述后续变动曲线的分析获取每一个数据点位的故障发生率，完成故障诊断预测；
其中，所述图像数据处理模块对每一个所述红外图像数据集进行特征深度学习，获取当前数据点位的所述红外图像变动值具体包括如下步骤：
S1：获取所述红外图像数据集中每一张红外图像，获取每一张图像中高温区间的数值及色度；
其中，所述图像数据处理模块对每一个所述红外图像数据集进行特征深度学习，获取当前数据点位的所述红外图像变动值具体包括如下步骤：
S1：获取所述红外图像数据集中每一张红外图像，获取每一张图像中高温区间的数值及色度；
其中，π为所述温度特征分割值，x1…xn分别为不同高温区间色度值，n为所选定的高温区间数，tdt为积分运算函数；
S3：通过所述温度特征分割值完成对每一张红外图像的温度筛选，筛选出色度最接近所述温度特征分割值的高温区间，将对应的数值及色度作为提取特征值；
S4：获取每组所述提取特征值，以其对应的色度为基准，通过以下公式完成所述红外图像变动值的获取：
其中，σ为所述红外图像变动值，y1…ym分别为不同图像的提取色度值，m为图像数，π为所述温度特征分割值，tdt为积分运算函数；
其中，所述故障发生预测模块基于所构建的所述预测模型获取所述后续变动曲线，同步完成分析具体包括：
Q1：构建坐标信息融合平面模型；
Q2：将不同图像的提取色度值输入至所述坐标信息融合平面模型中；
Q3：依据采集的时间顺序对输入的提取色度值点以平滑曲线一一连接，获取所述后续变动曲线；
Q4：获取所述后续变动曲线中各提取色度值点的斜率值；
Q5：实时获取斜率值的浮动消参，获取最后端点位距离所述浮动消参的差值是否达到阈值，当达到且距离阈值越远时，定义当前数据点位存在红外高温增高可能性越大，故障发生率越大；
其中，所述浮动消参通过以下公式进行获取：
其中，κ为所述浮动消参，Kmin为最小斜率值，Kmax为最大斜率值，K为所述后续变动曲线中各提取色度值点的斜率值，m为图像数。
作为本发明所述的基于无线通信网络的故障定位及诊断系统的一种优选方案，其中：所述电流流量监控部件进行各端口流量检测时具体包括如下步骤：S1：实时监测额定时间内通过的电流流量a；S2：构建流量损失模型，将各所述电流流量a依据时间顺序陆续纳入至所述流量损失模型中，生成各流量损失函数值；S3：二维平面坐标系中，以按时间顺序截取的各额定时间的后端值作为横坐标，以所述流量损失函数值为纵坐标获取流量损失点，平滑曲线连接各流量损失点，形成流量损失曲线；S4：获取所述流量损失曲线的最大导数值及最小导数值；S5：获取所述最大导数值及所述最小导数值的差值，基于所述差值是否达到设定的损失曲线阈值判别端口处是否存在异常。
作为本发明所述的基于无线通信网络的故障定位及诊断系统的一种优选方案，其中：构建的所述流量损失模型具体为：
其中，α为流量损失函数值，t为额定时间（s）,a为电流流量（A），-2/3为损失调整函数，xdx为积分运算函数。
作为本发明所述的基于无线通信网络的故障定位及诊断系统的一种优选方案，其中：所述损失曲线阈值定义为ln2。
作为本发明所述的基于无线通信网络的故障定位及诊断系统的一种优选方案，其中：定义所述红外图像变动值的阈值为：
当所述红外图像变动值大于所述阈值时，定义当前所述红外图像数据集异常，即对应的当前电器部件失衡，存在故障发生可能性，完成故障点的定位。
作为本发明所述的基于无线通信网络的故障定位及诊断系统的一种优选方案，其中：所述浮动消参的阈值定义为ln（2/3）。
本发明的有益效果：本发明提供基于无线通信网络的故障定位及诊断系统，当电流流量监控部件检测到任一端口处的流量异常时，启用系统进行故障检测，通过对采集的红外图像进行处理，完成对每一个红外图像数据集的特征深度学习，获取红外图像变动值后判定故障点，相较于现有技术中的直接规则定义，本发明通过红外图像的温区色度处理，量化了变温过程，通过变温数值完成了故障定位，保障了故障点具体位置的获取，同时，本发明基于获取的后续变动曲线分析获取每一个数据点位的故障发生率，对后续的故障进行诊断，提高了故障诊断的准确率，解决了现有电力设备故障诊断方式在进行故障信息生成中无法确保故障诊断准确率及故障点具体位置的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的基于无线通信网络的故障定位及诊断系统的系统模块图。
图2为本发明提供的电流流量监控部件进行各端口流量检测时的方法流程图。
图3为本发明提供的图像数据处理模块对每一个红外图像数据集进行特征深度学习，获取当前数据点位的红外图像变动值的方法流程图。
图4为本发明提供的故障发生预测模块基于所构建的预测模型获取后续变动曲线，同步完成分析的方法流程图。
图5为本发明额外提供的变电器原始照片。
图6为本发明提供的图5对应的红外图像示意图。
图7为本发明提供的高温区间获取示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
现有电力故障诊断方法在进行故障诊断的过程中是基于预设规则进行逐一判别，对实际过程中所产生的物理变量并未进行单独的量化处理，在进行故障信息生成中无法确保故障诊断的准确率及故障点的具体位置。
故此，请参阅图1、图5、图6，本发明提供基于无线通信网络的故障定位及诊断系统，变电器输电端各端口处均设置有电流流量监控部件，当电流流量监控部件检测到任一端口处的流量异常时，启用系统进行故障检测；
其中，系统具体包括：
红外图像数据采集模块，通过设置于变电器各部件处的红外图像传感器实时获取相应部件的红外图像，并通过内置的传输部件将各红外图像无线传输至云端服务器中；
云端服务器，与红外图像数据采集模块无线数据连接，接收各部件的红外图像，同步基于变电器组成布局生成三维资源建模，通过特征标记对应将各红外图像依次纳入至对应的三维数据节点中，于每一个三维数据节点中生成红外图像数据集；
图像数据处理模块，嵌设于云端服务器中，于每一个三维数据节点中获取点位对应的红外图像数据集，并对每一个红外图像数据集进行特征深度学习，获取当前数据点位的红外图像变动值，对红外图像变动值进行阈值判定分析，完成故障定位；
故障发生预测模块，嵌设于云端服务器中，与图像数据处理模块数据连接，获取红外图像变动值，基于所构建的预测模型获取后续变动曲线，基于后续变动曲线的分析获取每一个数据点位的故障发生率，完成故障诊断预测。
需要说明的是，在进行流量异常监控时所配置的电流流量监控部件的安装方式为现有技术，在次不做多余赘述，其内配置的数据处理器也即常规的数据处理单元。
具体的，请参阅图2，电流流量监控部件进行各端口流量检测时具体包括如下步骤：
S1：实时监测额定时间内通过的电流流量a；
S2：构建流量损失模型，将各电流流量a依据时间顺序陆续纳入至流量损失模型中，生成各流量损失函数值；
S3：二维平面坐标系中，以按时间顺序截取的各额定时间的后端值作为横坐标，以流量损失函数值为纵坐标获取流量损失点，平滑曲线连接各流量损失点，形成流量损失曲线；
S4：获取流量损失曲线的最大导数值及最小导数值；
S5：获取最大导数值及最小导数值的差值，基于差值是否达到设定的损失曲线阈值判别端口处是否存在异常。
进一步的，构建的流量损失模型具体为：
其中，α为流量损失函数值，t为额定时间（s）,a为电流流量（A），-2/3为损失调整函数，xdx为积分运算函数。
其中，损失曲线阈值定义为ln2。
额外需要说明的是，红外图像传感器设置于变电器各部件处，设置方式在次不做多余赘述，无线网络中实现通信数据的传输也即为现有技术的运用。
云端处理器基于变电器组成布局生成三维资源建模，通过特征标记对应将各红外图像依次纳入至对应的三维数据节点中，于每一个三维数据节点中生成红外图像数据集的过程可理解为：布局进行三维建模，选定特征标记后完成相互对应，实现三维数据节点与红外图像的逐一对应，生成数据集，此步骤为常规三维数模成型，在次不做多余赘述。
更进一步的，请参阅图3，图像数据处理模块对每一个红外图像数据集进行特征深度学习，获取当前数据点位的红外图像变动值具体包括如下步骤：
S1：获取红外图像数据集中每一张红外图像，获取每一张图像中高温区间的数值及色度；
需要说明的是：获取每一张图像中的高温区间包括以下具体步骤：
获取图像中温度区间的数值及色度；
利用获取的温度区间的色度获得其高温时的温度色度；
获取图像全部色度数值，并建立色度分布情况图；
利用图像色度和LOG算子对图像边缘划分，得到识别后的高温区域。
需要说明的是，进行图像边缘划分后所获取的高温区域不仅仅为一个，通常具备3个以上的高温区域，此处的高温区域进行设定一般通过人为定义为高温区域，如定义红色——65℃为高温区域，如图7所示。
S2：以各高温区间色度值为基准，依据如下公式获取温度特征分割值；
其中，π为温度特征分割值，x1…xn分别为不同高温区间色度值，n为所选定的高温区间数，tdt为积分运算函数；
S3：通过温度特征分割值完成对每一张红外图像的温度筛选，筛选出色度最接近温度特征分割值的高温区间，将对应的数值及色度作为提取特征值；
S4：获取每组提取特征值，以其对应的色度为基准，通过以下公式完成红外图像变动值的获取：
其中，σ为红外图像变动值，y1…ym分别为不同图像的提取色度值，m为图像数，π为温度特征分割值，tdt为积分运算函数。
具体的，定义当红外图像变动值的阈值为：
当红外图像变动值大于阈值时，定义当前红外图像数据集异常，即对应的当前电器部件失衡，存在故障发生可能性，完成故障点的定位。
更进一步的，请参阅图4，故障发生预测模块基于所构建的预测模型获取后续变动曲线，同步完成分析具体包括：
S1：构建坐标信息融合平面模型；
S2：将不同图像的提取色度值输入至坐标信息融合平面模型中；
S3：依据采集的时间顺序对输入的提取色度值点以平滑曲线一一连接，获取后续变动曲线；
S4：获取后续变动曲线中各提取色度值点的斜率值；
S5：实时获取斜率值的浮动消参，获取最后端点位距离浮动消参的差值是否达到阈值，当达到且距离阈值越远时，定义当前数据点位存在红外高温增高可能性越大，故障发生率越大。
其中，浮动消参通过以下公式进行获取：
其中，κ为浮动消参，Kmin为最小斜率值，Kmax为最大斜率值，K为后续变动曲线中各提取色度值点的斜率值，m为图像数。
具体的，浮动消参的阈值定义为ln（2/3）。
本发明提供基于无线通信网络的故障定位及诊断系统，当电流流量监控部件检测到任一端口处的流量异常时，启用系统进行故障检测，通过对采集的红外图像进行处理，完成对每一个红外图像数据集的特征深度学习，获取红外图像变动值后判定故障点，相较于现有技术中的直接规则定义，本发明通过红外图像的温区色度处理，量化了变温过程，通过变温数值完成了故障定位，保障了故障点具体位置的获取，同时，本发明基于获取的后续变动曲线分析获取每一个数据点位的故障发生率，对后续的故障进行诊断，提高了故障诊断的准确率，解决了现有电力设备故障诊断方式在进行故障信息生成中无法确保故障诊断准确率及故障点具体位置的问题。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.基于无线通信网络的故障定位及诊断系统，其特征在于：变电器输电端各端口处均设置有电流流量监控部件，当所述电流流量监控部件检测到任一端口处的流量异常时，启用所述系统进行故障检测；
其中，所述系统具体包括：
红外图像数据采集模块，通过设置于变电器各部件处的红外图像传感器实时获取相应部件的红外图像，并通过内置的传输部件将各所述红外图像无线传输至云端服务器中；
云端服务器，与所述红外图像数据采集模块无线数据连接，接收各部件的所述红外图像，同步基于变电器组成布局生成三维资源建模，通过特征标记对应将各所述红外图像依次纳入至对应的三维数据节点中，于每一个所述三维数据节点中生成红外图像数据集；
图像数据处理模块，嵌设于所述云端服务器中，于每一个所述三维数据节点中获取点位对应的所述红外图像数据集，并对每一个所述红外图像数据集进行特征深度学习，获取当前数据点位的红外图像变动值，对所述红外图像变动值进行阈值判定分析，完成故障定位；
故障发生预测模块，嵌设于所述云端服务器中，与所述图像数据处理模块数据连接，获取所述红外图像变动值，基于所构建的预测模型获取后续变动曲线，基于所述后续变动曲线的分析获取每一个数据点位的故障发生率，完成故障诊断预测；
其中，所述图像数据处理模块对每一个所述红外图像数据集进行特征深度学习，获取当前数据点位的所述红外图像变动值具体包括如下步骤：
S1：获取所述红外图像数据集中每一张红外图像，获取每一张图像中高温区间的数值及色度；
S2：以各高温区间色度值为基准，依据如下公式获取温度特征分割值；
其中，π为所述温度特征分割值，x1…xn分别为不同高温区间色度值，n为所选定的高温区间数，tdt为积分运算函数；
S3：通过所述温度特征分割值完成对每一张红外图像的温度筛选，筛选出色度最接近所述温度特征分割值的高温区间，将对应的数值及色度作为提取特征值；
S4：获取每组所述提取特征值，以其对应的色度为基准，通过以下公式完成所述红外图像变动值的获取：
其中，σ为所述红外图像变动值，y1…ym分别为不同图像的提取色度值，m为图像数，π为所述温度特征分割值，tdt为积分运算函数；
其中，所述故障发生预测模块基于所构建的所述预测模型获取所述后续变动曲线，同步完成分析具体包括：
Q1：构建坐标信息融合平面模型；
Q2：将不同图像的提取色度值输入至所述坐标信息融合平面模型中；
Q3：依据采集的时间顺序对输入的提取色度值点以平滑曲线一一连接，获取所述后续变动曲线；
Q4：获取所述后续变动曲线中各提取色度值点的斜率值；
Q5：实时获取斜率值的浮动消参，获取最后端点位距离所述浮动消参的差值是否达到阈值，当达到且距离阈值越远时，定义当前数据点位存在红外高温增高可能性越大，故障发生率越大；
其中，所述浮动消参通过以下公式进行获取：
其中，κ为所述浮动消参，Kmin为最小斜率值，Kmax为最大斜率值，K为所述后续变动曲线中各提取色度值点的斜率值，m为图像数。
2.根据权利要求1所述的基于无线通信网络的故障定位及诊断系统，其特征在于，所述电流流量监控部件进行各端口流量检测时具体包括如下步骤：
S1：实时监测额定时间内通过的电流流量a；
S2：构建流量损失模型，将各所述电流流量a依据时间顺序陆续纳入至所述流量损失模型中，生成各流量损失函数值；
S3：二维平面坐标系中，以按时间顺序截取的各额定时间的后端值作为横坐标，以所述流量损失函数值为纵坐标获取流量损失点，平滑曲线连接各流量损失点，形成流量损失曲线；
S4：获取所述流量损失曲线的最大导数值及最小导数值；
S5：获取所述最大导数值及所述最小导数值的差值，基于所述差值是否达到设定的损失曲线阈值判别端口处是否存在异常。
3.根据权利要求2所述的基于无线通信网络的故障定位及诊断系统，其特征在于，构建的所述流量损失模型具体为：
其中，α为流量损失函数值，t为额定时间,a为电流流量，-2/3为损失调整函数，xdx为积分运算函数。
4.根据权利要求3所述的基于无线通信网络的故障定位及诊断系统，其特征在于：所述损失曲线阈值定义为ln2。
5.根据权利要求4所述的基于无线通信网络的故障定位及诊断系统，其特征在于，定义所述红外图像变动值的阈值为：
当所述红外图像变动值大于所述阈值时，定义当前所述红外图像数据集异常，即对应的当前电器部件失衡，存在故障发生可能性，完成故障点的定位。
6.根据权利要求5所述的基于无线通信网络的故障定位及诊断系统，其特征在于：所述浮动消参的阈值定义为ln（2/3）。
CN202310590277.3A 2023-05-24 2023-05-24 基于无线通信网络的故障定位及诊断系统 Active CN116295855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310590277.3A CN116295855B (zh) 2023-05-24 2023-05-24 基于无线通信网络的故障定位及诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310590277.3A CN116295855B (zh) 2023-05-24 2023-05-24 基于无线通信网络的故障定位及诊断系统

Publications (2)

Publication Number Publication Date
CN116295855A CN116295855A (zh) 2023-06-23
CN116295855B true CN116295855B (zh) 2023-08-08

Family

ID=86830926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310590277.3A Active CN116295855B (zh) 2023-05-24 2023-05-24 基于无线通信网络的故障定位及诊断系统

Country Status (1)

Country Link
CN (1) CN116295855B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967373A (zh) * 2012-11-09 2013-03-13 广东电网公司东莞供电局 变电站三维红外测温监测方法及系统
CN104217443A (zh) * 2014-08-15 2014-12-17 国家电网公司 一种基于hsv空间的输变电设备红外故障图像分割方法
CN107247203A (zh) * 2017-07-10 2017-10-13 佛山杰致信息科技有限公司 一种变压器故障检测方法及装置
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN111488868A (zh) * 2020-03-27 2020-08-04 贵州电网有限责任公司 一种基于变压器红外图像的高温区域识别方法及系统
CN111524224A (zh) * 2020-04-13 2020-08-11 国家电网有限公司 一种电力变压器表面温度分布的全景成像方法
CN116008734A (zh) * 2023-03-27 2023-04-25 国网吉林省电力有限公司信息通信公司 基于数据处理的电力信息设备故障预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9508115B2 (en) * 2013-03-15 2016-11-29 International Business Machines Corporation Large-area monitoring using infrared imaging system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967373A (zh) * 2012-11-09 2013-03-13 广东电网公司东莞供电局 变电站三维红外测温监测方法及系统
CN104217443A (zh) * 2014-08-15 2014-12-17 国家电网公司 一种基于hsv空间的输变电设备红外故障图像分割方法
CN107247203A (zh) * 2017-07-10 2017-10-13 佛山杰致信息科技有限公司 一种变压器故障检测方法及装置
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN111488868A (zh) * 2020-03-27 2020-08-04 贵州电网有限责任公司 一种基于变压器红外图像的高温区域识别方法及系统
CN111524224A (zh) * 2020-04-13 2020-08-11 国家电网有限公司 一种电力变压器表面温度分布的全景成像方法
CN116008734A (zh) * 2023-03-27 2023-04-25 国网吉林省电力有限公司信息通信公司 基于数据处理的电力信息设备故障预测方法

Also Published As

Publication number Publication date
CN116295855A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
WO2016101690A1 (zh) 基于时间序列分析的输变电设备的状态监测数据清洗方法
US11133204B2 (en) Chamber matching with neural networks in semiconductor equipment tools
CN112013966B (zh) 一种基于测量温度的电力设备红外图像处理方法
CN116189103B (zh) 基于视觉图像分析的设备监控自动控制方法及控制系统
WO2023138337A1 (zh) 一种电机故障检测方法及装置
CN115800272B (zh) 基于拓扑识别的电网故障分析方法、系统、终端及介质
CN113610788B (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
CN113496089B (zh) 基于人工智能的物联网设备异常状态在线监测方法及系统
CN116107280B (zh) 一种用于多维可视化管理的数字孪生工厂控制系统
CN114221857A (zh) 故障定位的方法、电子设备及存储介质
CN117390529A (zh) 多因素溯源的数据中台信息管理方法
KR102538785B1 (ko) 컴퓨터 지원 설계(cad) 파일로부터 웨이퍼 이미지를 생성하는 방법 및 시스템
CN117113262B (zh) 网络流量识别方法及其系统
CN116295855B (zh) 基于无线通信网络的故障定位及诊断系统
CN111736574B (zh) 一种通用的火电厂故障诊断系统及其诊断方法
CN113676343A (zh) 电力通信网故障源定位方法及装置
CN116204846B (zh) 一种基于可见图的配电网传感器数据异常快速定位方法
CN113034450A (zh) 一种变压器过热故障诊断方法
CN117076258A (zh) 一种基于互联网云端的远程监控方法及系统
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
CN114884795A (zh) 物联网场景中的告警信息处理方法、装置、计算机设备
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法
EP4009235A1 (en) Medium voltage switching or controlgear monitoring system
CN113627885A (zh) 一种电网供电异常监测系统及其监测方法
CN109753979B (zh) 基于图像特征的故障检测方法及装置

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