CN116545115B - 一种低压配电柜故障监测系统及其方法 - Google Patents
一种低压配电柜故障监测系统及其方法 Download PDFInfo
- Publication number
- CN116545115B CN116545115B CN202310543383.6A CN202310543383A CN116545115B CN 116545115 B CN116545115 B CN 116545115B CN 202310543383 A CN202310543383 A CN 202310543383A CN 116545115 B CN116545115 B CN 116545115B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- low
- distribution cabinet
- voltage power
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 112
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 10
- 230000036760 body temperature Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012567 pattern recognition method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- 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
- G01R19/16576—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 DC or AC voltage with one threshold
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种低压配电柜故障监测系统及其方法,属于配电网设备安全监控技术领域,包括采集模块、数据清洗模块、深度学习模块、分析模块和故障报警模块,所述采集模块通过传感器对低压配电柜所在的环境参数进行监测,并采集低压配电柜的电能参数;所述数据清洗模块通过对所述采集模块采集到的数据进行异常数据去除处理,得到处理后的有效数据;所述深度学习模块根据处理后的有效数据建立数学模型,提取反映低压配电柜潜在的故障相关的特征参量;所述分析模块结合特征参量和采集模块采集到的环境参数和电能参数判断低压配电柜有无故障情况;所述故障报警模块对存在故障的情况发出报警信号;能高效地处理数据从而准确地对低压配电柜进行故障监测。
Description
技术领域
本发明属于配电网设备安全监控技术领域,具体地,涉及一种低压配电柜故障监测系统及其方法。
背景技术
随着电力科技信息技术的进步和社会需求的不断提高,用户对配电系统的安全、便利程度要求越来越高,配电系统通常会设置有多个配电线路,每个配电线路会设置一个断路器以及与断路器连接的若干个用电设备,在用电过程中,如果任意一个配电线路出现用电故障,用户将难以及时发现配电线路出现的故障,从而不利于及时处理故障。
为确保配电网的安全可靠运行,减少配电网电力设备的发生,必须及时准确的掌握电力设备故障前的先兆性运行特征,并对电力设备的潜在故障风险进行监测、识别和预警,及时消除存在的隐患。
然而,在现有技术中,由于低压配电网的数据庞大,需要进行大量的数据处理,如何高效处理数据并提取有效信息,仍是一个急需解决的难题,加上现有技术中经常出现误报和漏报的问题,因此如何设置合理的报警规则也是一个需要解决的现有技术问题。
发明内容
为解决上述背景技术中存在的技术问题,本发明提供了一种低压配电柜故障监测系统及其方法。
本发明的目的可以通过以下技术方案实现:
一种低压配电柜故障监测系统,包括采集模块、数据清洗模块、深度学习模块、分析模块和故障报警模块,其中:
所述采集模块通过传感器对低压配电柜所在的环境参数进行实时监测,并实时采集低压配电柜的电能参数;
所述数据清洗模块通过对所述采集模块采集到的数据进行异常数据去除处理,得到处理后的有效数据;
所述深度学习模块根据处理后的有效数据建立数学模型,提取反映低压配电柜潜在的故障相关的特征参量;
所述分析模块结合特征参量和采集模块采集到的环境参数和电能参数判断低压配电柜有无故障情况;
所述故障报警模块对存在故障的情况发出报警信号。
进一步的,所述故障报警模块还包括报警规则建立单元,所述报警规则建立单元根据低压配电柜的历史数据确定报警阈值。
进一步的,所述数据清洗模块具体还包括对采集到的环境参数和电能参数进行去除重复项数据、去除空值数据和数据统一格式化处理。
进一步的,所述深度学习模块通过生成对抗网络建立数学模型,识别低压配电柜中的参数是否正常。
进一步的,所述故障报警模块还包括根据故障类型确定单元和监测指标确定单元,
所述故障类型确定单元用于根据实时采集低压配电柜的电能参数确定低压配电柜的故障类型;
所述监测指标确定单元根据低压配电柜的历史数据确定监测指标的数值,包括电流过载时电流的数值和欠压时电压的数值。
进一步的,所述分析模块具体用于基于特征参量获取特征参量对应的环境参数和电能参数,将获取到的参数进行判断有无超出预设值。
一种低压配电柜故障监测方法,应用于前述的一种低压配电柜故障监测系统,具体包括以下步骤:
采集低压配电柜的各相关数据;
基于所述各相关数据提取反映低压配电柜潜在故障的相关特征参量,并基于所述各相关特征参量计算各特征参量统计指标值;
根据历史运行数据预先设定好的阈值区间范围;或基于统计模式识别的方法自适应确定阈值区间;
将所述各特征参量统计指标值与各特征参量统计指标的阈值区间进行比较,判断低压配电柜是否存在潜在故障风险。
进一步的,所述基于统计模式识别的方法自适应确定阈值区间具体包括以下步骤:
基于存储到历史数据库的数据中提取反映低压配电柜潜在故障的相关特征参量统计指标值;
基于各特征参量值统计指标值,根据预先划分的潜在故障风险模式,采用统计模式识别的方法,计算各特征参量统计指标在各故障风险模式下的最优阈值区间。
进一步的,将所述各特征参量统计指标和各特征参量统计指标的阈值区间进行比较,具体包括以下步骤:
对各特征参量统计指标值与各特征参量在各潜在故障风险模式下的最优阈值区间进行比较,结合预先设定好的低压配电柜潜在故障在线监测与报警规则,判断所述低压配电柜是否存在潜在故障风险。
进一步的,所述报警规则具体包括:
针对单一特征参量,若该特征参量的所有统计指标值均超过阈值,则判断低压配电柜存在潜在故障风险;否则,判断低压配电柜处于正常运行状态;
综合多个单一特征参量的判断结果,若其中所有特征参量判断均为低压配电柜存在潜在故障风险,则判断整个低压配电柜存在潜在故障风险;否则,判断低压配电柜处于正常运行状态。
本发明的有益效果:
1、本发明公开的一种低压配电柜故障监测系统及其方法,通过对采集到的数据进行数据清洗处理及建立数学模型,从而得到能直接反映低压配电柜故障的相关特征参量,根据相关的特征参量结合低压配电柜的环境参数及电能参数高效判断低压配电柜是否存在故障风险,由于低压配电柜的数据量较大,需要进行大量的数据处理,本发明提供的技术方案能高效地处理数据,提取有效信息,进而准确地对低压配电柜进行故障监测;
2、本发明公开的一种低压配电柜故障监测系统及其方法,通过建立报警规则进而针对单一特征参数进行分析,有针对性地对多个某单一特征参数进行判断,提高对故障识别的准确性,有效降低误报或漏报问题的出现。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种低压配电柜故障监测系统整体框架原理图;
图2为本发明一种低压配电柜故障监测系统中故障报警模块的具体结构原理图;
图3为本发明一种低压配电柜故障监测方法具体步骤流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1至图2所示,一种低压配电柜故障监测系统,包括采集模块100、数据清洗模块200、深度学习模块300、分析模块400和故障报警模块500,其中:
所述采集模块100通过传感器对低压配电柜所在的环境参数进行实时监测,并实时采集低压配电柜的电能参数;
在本申请实施例中,所述采集模块100利用传感器实时检测各单位低压配电柜的带电导线对地故障产生的剩余电流、电缆温度、柜体温度、三相电压、三相电流、电压谐波和电流谐波。
所述数据清洗模块200通过对所述采集模块100采集到的数据进行异常数据去除处理,得到处理后的有效数据;
电能参数可能存在重复数据,需要对数据进行去重,避免重复计算导致结果不准确,电能参数可能存在异常数据,如数据采集误差、传感器故障等,需要对数据进行检查和筛选,去除异常数据,避免对分析结果产生影响
所述深度学习模块300根据处理后的有效数据建立数学模型,提取反映低压配电柜潜在的故障相关的特征参量;
所述分析模块400结合特征参量和采集模块100采集到的环境参数和电能参数判断低压配电柜有无故障情况;
所述故障报警模块500对存在故障的情况发出报警信号。
在本申请实施例中,所述分析模块400用于基于采集的该单位的剩余电流、电缆温度、柜体温度、三相电压、三相电流、电压谐波和电流谐波来分析该单位是否存在用电安全隐患,判断剩余电流是否大于预设剩余电流报警值、电缆温度是否大于预设电缆温度报警值、柜体温度是否大于预设柜体温度报警值、三相电压是否大于预设过压报警值、三相电压是否小于预设欠压报警值、三相电流是否大于预设过流报警值、电压谐波是否大于预设电压谐波报警值、及电流谐波是否大于预设电流谐波报警值,在剩余电流大于预设剩余电流报警值、电缆温度大于预设电缆温度报警值、柜体温度大于预设柜体温度报警值、三相电压大于预设过压报警值、三相电压小于预设欠压报警值、相电流大于预设过流报警值、电压谐波大预设电压谐波报警值、或电流谐波大于预设电流谐波报警值时分析出该单位存在用电安全隐患,并发出该单位存在相应用电安全隐患的报警信息。
进一步的,在本申请的一种优选实施例中,所述故障报警模块500还包括报警规则建立单元510,所述报警规则建立单元510根据低压配电柜的历史数据确定报警阈值。
在本申请实施例中,建立报警规则遵循以下规则:
确定报警阈值:根据低压配电柜的实际情况,确定合理的报警阈值,当电能参数超过或低于阈值时,系统会发出警报;了解异常情况:通过对历史数据的分析,了解低压配电柜的典型工作状态和异常情况,为设置报警规则提供依据;考虑多个参数:在设置报警规则时,需要考虑多个参数,如电流、电压、功率、频率等,综合分析,避免单一参数造成的误报或漏报;考虑时间因素:不同时间段低压配电柜的工作状态不同,需要针对不同时间段设置不同的报警规则,避免误报或漏报;定期更新规则:随着低压配电柜的使用时间和环境变化,报警规则也需要不断更新和调整,确保其准确性和有效性;确定报警方式:根据实际情况,确定合适的报警方式,如短信、邮件、声音等,保证报警信息能够及时有效地传达给相关人员。
进一步的,在本申请的一种优选实施例中,所述数据清洗模块200具体还包括对采集到的环境参数和电能参数进行去除重复项数据、去除空值数据和数据统一格式化处理。
而且,电能参数可能存在空值数据,需要对数据进行填充或删除,避免对分析结果产生影响;
同时,电能参数可能存在不同的数据格式,如时间格式、浮点数格式等,需要对数据进行格式化,保证数据的一致性和可比性,在本申请实施例中,电能参数可能存在不同的单位和量纲,还需要对数据进行标准化,使得数据具有可比性和可解释性。
进一步的,在本申请的一种优选实施例中,所述深度学习模块300通过生成对抗网络建立数学模型,识别低压配电柜中的参数是否正常。
在本申请实施例中,生成对抗网络(GAN)适用于生成新数据的场景,可以通过学习低压配电柜的数据分布,生成新的数据样本,如生成低压配电柜的电能参数数据。
生成对抗网络包含一个生成模型和一个判别模型。其中,生成模型负责捕捉样本数据的分布,而判别模型一般情况下是一个二分类器,判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈”问题,训练时固定其中一方(判别网络或生成网络),更新另一个模型的参数,交替迭代,最终,生成模型能够估测出样本数据的分布。生成对抗网络的出现对无监督学习,图片生成的研究起到极大的促进作用。
生成对抗网络(GAN)包含一个生成模型G和一个判别模型D,生成对抗网络的目的是学习到训练数据的分布pg,为了学习该分布,首先定义一个输入噪声变量pz(z),接下来将其映射到数据空间G(z;θg),这里的G就是一个以θg作为参数的多层感知网络构成的生成模型。此外,定义一个判别模型D(x;θd)用来判断输入的数据是来自生成模型还是训练数据,D的输出为x,是训练数据的概率。最后训练D使其尽可能准确地判断数据来源,训练G使其生成的数据尽可能符合训练数据的分布,其中D和G的优化是交替进行。
生成对抗网络的计算方式如下:
训练阶段,从一个噪声分布(通常是高斯分布)中采样一组随机向量,输入生成器;
生成器根据这组随机向量生成一组虚假数据,并输出给判别器;
判别器接收虚假数据和真实数据,将其分别标记为"真"或"假";
生成器根据判别器的反馈进行更新,目的是让它生成的数据更加接近真实数据,反之,判别器也会更新,以更好地识别真实数据和虚假数据之间的差异;
随着训练的进行,生成器和判别器不断协作,以提高对手之间的表现。当生成器生成的虚假数据足够接近真实数据时,训练结束;
在使用阶段,只需通过输入随机向量给生成器即可生成与真实数据相似的新数据。
进一步的,在本申请的一种优选实施例中,所述故障报警模块500还包括根据故障类型确定单元520和监测指标确定单元530,所述故障类型确定单元520用于根据实时采集低压配电柜的电能参数确定低压配电柜的故障类型;
所述监测指标确定单元530根据低压配电柜的历史数据确定监测指标的数值,包括电流过载时电流的数值和欠压时电压的数值。
进一步的,在本申请的一种优选实施例中,所述分析模块400具体用于基于特征参量获取特征参量对应的环境参数和电能参数,将获取到的参数进行判断有无超出预设值。
所述特征参量至少包括下述中的一种或几种:电压、电流、电力设备金属外壳体的对地电压、电力设备金属外壳体的接触电压、电场、磁场、声波、温度、湿度、气体成分、光图像、配电线路工频相-地、配电线路工频相-相泄漏电流、高频相-地局放电流、非工频相-地局放电流、高频相-相局放电流、非工频相-相局放电流和线路阻抗。
一种低压配电柜故障监测方法,应用于前述的一种低压配电柜故障监测系统,如图3所示,具体包括以下步骤:
步骤S1、采集低压配电柜的各相关数据;
步骤S2、基于所述各相关数据提取反映低压配电柜潜在故障的相关特征参量,并基于所述各相关特征参量计算各特征参量统计指标值;
步骤S3、根据历史运行数据预先设定好的阈值区间范围;或基于统计模式识别的方法自适应确定阈值区间;
步骤S4、将所述各特征参量统计指标值与各特征参量统计指标的阈值区间进行比较,判断低压配电柜是否存在潜在故障风险。
进一步的,在本申请的一种优选实施例中,步骤S3中的所述基于统计模式识别的方法自适应确定阈值区间具体包括以下步骤:
步骤S301、基于存储到历史数据库的数据中提取反映低压配电柜潜在故障的相关特征参量统计指标值;
步骤S302、基于各特征参量值统计指标值,根据预先划分的潜在故障风险模式,采用统计模式识别的方法,计算各特征参量统计指标在各故障风险模式下的最优阈值区间。
历史数据库存有各特征参量一段时间内的统计计算指标,以这些为基础数据,这些统计数据中有正常的、越限的,波动范围不同,因此需要采用统计模式识别的方法,将这些数据进行处理,把正常的分为一类,非正常的按越限程度不同分为几类,每一类作为一个模式,并对该模式给出一个区间量化,这个区间量化就是阈值区间。
本发明中的最优阈值区间的确定可以是预先设定好的也可以是根据采集的历史数据自适应整定计算得到的最优阈值区间。
进一步的,在本申请的一种优选实施例中,步骤S4中的将所述各特征参量统计指标和各特征参量统计指标的阈值区间进行比较,具体包括以下步骤:
步骤S410、对各特征参量统计指标值与各特征参量在各潜在故障风险模式下的最优阈值区间进行比较,结合预先设定好的低压配电柜潜在故障在线监测与报警规则,判断所述低压配电柜是否存在潜在故障风险。
进一步的,在本申请的一种优选实施例中,步骤S410中的所述报警规则具体包括:
针对单一特征参量,若该特征参量的所有统计指标值均超过阈值,则判断低压配电柜存在潜在故障风险;否则,判断低压配电柜处于正常运行状态;
综合多个单一特征参量的判断结果,若其中所有特征参量判断均为低压配电柜存在潜在故障风险,则判断整个低压配电柜存在潜在故障风险;否则,判断低压配电柜处于正常运行状态。
在本申请实施例中,所述一种低压配电柜故障监测方法的具体实施例与上述一种低压配电柜故障监测系统的实施例一致,在此不做赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (3)
1.一种低压配电柜故障监测系统,其特征在于,包括采集模块、数据清洗模块、深度学习模块、分析模块和故障报警模块,其中:
所述采集模块通过传感器对低压配电柜所在的环境参数进行实时监测,并实时采集低压配电柜的电能参数;
所述数据清洗模块通过对所述采集模块采集到的数据进行异常数据去除处理,得到处理后的有效数据;
所述深度学习模块根据处理后的有效数据建立数学模型,提取反映低压配电柜潜在的故障相关的特征参量;
所述分析模块结合特征参量和采集模块采集到的环境参数和电能参数判断低压配电柜有无故障情况;
所述故障报警模块对存在故障的情况发出报警信号;
所述故障报警模块包括报警规则建立单元和监测指标确定单元;
所述报警规则建立单元根据低压配电柜的历史数据确定报警阈值;
所述报警规则建立单元在建立报警规则时遵循以下规则:针对不同时间段设置不同报警规则;随着低压配电柜的使用时间和环境变化不断更新报警规则;
所述监测指标确定单元根据低压配电柜的历史数据确定监测指标的数值,包括电流过载时电流的数值和欠压时电压的数值;
所述数据清洗模块具体还包括对采集到的环境参数和电能参数进行去除重复项数据、去除空值数据和数据统一格式化处理;
所述深度学习模块通过生成对抗网络建立数学模型,识别低压配电柜中的参数是否正常;
所述生成对抗网络通过学习低压配电柜的数据分布,生成新的数据样本,包括生成低压配电柜的电能参数数据。
2.根据权利要求1所述的一种低压配电柜故障监测系统,其特征在于,所述故障报警模块还包括故障类型确定单元;
所述故障类型确定单元用于根据实时采集低压配电柜的电能参数确定低压配电柜的故障类型。
3.根据权利要求1所述的一种低压配电柜故障监测系统,其特征在于,所述分析模块具体用于基于特征参量获取特征参量对应的环境参数和电能参数,将获取到的参数进行判断有无超出预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310543383.6A CN116545115B (zh) | 2023-05-15 | 2023-05-15 | 一种低压配电柜故障监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310543383.6A CN116545115B (zh) | 2023-05-15 | 2023-05-15 | 一种低压配电柜故障监测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116545115A CN116545115A (zh) | 2023-08-04 |
CN116545115B true CN116545115B (zh) | 2024-02-20 |
Family
ID=87455739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310543383.6A Active CN116545115B (zh) | 2023-05-15 | 2023-05-15 | 一种低压配电柜故障监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116545115B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107026449A (zh) * | 2016-02-02 | 2017-08-08 | 艾默生网络能源(江门)有限公司 | 一种电源配电系统 |
CN114383652A (zh) * | 2021-12-06 | 2022-04-22 | 中国电力科学研究院有限公司 | 一种配电网潜在故障在线风险辨识方法、系统及装置 |
-
2023
- 2023-05-15 CN CN202310543383.6A patent/CN116545115B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107026449A (zh) * | 2016-02-02 | 2017-08-08 | 艾默生网络能源(江门)有限公司 | 一种电源配电系统 |
CN114383652A (zh) * | 2021-12-06 | 2022-04-22 | 中国电力科学研究院有限公司 | 一种配电网潜在故障在线风险辨识方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116545115A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115048591B (zh) | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 | |
CN113505241B (zh) | 一种基于知识图谱的用电安全隐患智能诊断方法 | |
CN114793019A (zh) | 基于大数据分析的二次设备可视化监管系统 | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
CN113589105B (zh) | 基于物联网的建筑电气火灾串联故障电弧识别方法及系统 | |
CN112486097A (zh) | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 | |
CN107563263A (zh) | 基于仪表的视频图像识别方法及系统 | |
CN107632234B (zh) | 一种基于录波数据的变压器绕组变形评估方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
CN116545115B (zh) | 一种低压配电柜故障监测系统及其方法 | |
CN114527361A (zh) | 确定交流回路电弧故障的方法及装置 | |
CN117526998A (zh) | 基于扩频载波通信的供电故障监测方法及系统 | |
CN116070140A (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
CN114492869A (zh) | 一种基于物联网技术的配电系统健康诊断方法 | |
CN110277835B (zh) | 一种基于用电信息采集系统的低压用户过电压风险监测方法 | |
CN113156284A (zh) | 一种gis设备开关动作的干扰信号处理方法和装置 | |
Yang et al. | Research on Attack Identification Method and Device Method Based on Random Forest Algorithm | |
CN115694967B (zh) | 基于设备状态和正常行为模型的智能电网入侵检测方法 | |
CN117691756B (zh) | 配电柜的安全预警管理方法及系统 |
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 |