CN116707144A - 一种低压配电箱故障预警方法 - Google Patents
一种低压配电箱故障预警方法 Download PDFInfo
- Publication number
- CN116707144A CN116707144A CN202310982733.9A CN202310982733A CN116707144A CN 116707144 A CN116707144 A CN 116707144A CN 202310982733 A CN202310982733 A CN 202310982733A CN 116707144 A CN116707144 A CN 116707144A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution box
- cable
- partial discharge
- model
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000003066 decision tree Methods 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000009413 insulation Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005670 electromagnetic radiation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电箱运维的技术领域,特别是涉及一种低压配电箱故障预警方法,其能够提高故障检测与处理的效率和准确性;所述方法包括:S1、获取低压配电箱内各个元件的实时运行状态;S2、利于预先构建的配电箱故障决策模型对各个元件的运行状态分别进行判断,当其中任一元件的运行状态超过预先存储的阈值时,则断开配电箱与电源之间的连接,并激活预先构建的配电箱故障识别模型;S3、利用配电箱故障识别模型对各个元件的实时运行状态进行特征识别,得出配电箱的故障类型;S4、根据配电箱故障类型,提取出预先构建的故障处理措施数据库中相对应的处理方案,并实施该处理方案。
Description
技术领域
本发明涉及配电箱运维的技术领域,特别是涉及一种低压配电箱故障预警方法。
背景技术
低压配电柜,也称为低压配电箱,是一种用于低压电力系统配电和控制的设备。它通常由一个或多个隔间组成,每个隔间都包含电力元件、电气设备和配电控制器,用于分配、保护和控制电能。低压配电柜用于将电能从电源供应点传输到各个终端设备,如照明设备、动力设备和其他电气设备,以满足建筑、工业和商业应用的电能需求。
传统的低压配电箱通常没有实时监测和故障预警,因此对于元件的运行状态无法及时监测和预测故障;大多采用人工巡检,而人工巡检存在主观性和局限性,难以做到及时发现配电箱故障,导致故障造成的影响扩大。
发明内容
为解决上述技术问题,本发明提供一种能够提高故障检测与处理的效率和准确性的一种低压配电箱故障预警方法。
第一方面,本发明提供了一种低压配电箱故障预警方法,所述方法包括:
S1、获取低压配电箱内各个元件的实时运行状态;
S2、利于预先构建的配电箱故障决策模型对各个元件的运行状态分别进行判断,当其中任一元件的运行状态超过预先存储的阈值时,则断开配电箱与电源之间的连接,并激活预先构建的配电箱故障识别模型;
S3、利用配电箱故障识别模型对各个元件的实时运行状态进行特征识别,得出配电箱的故障类型;
S4、根据配电箱故障类型,提取出预先构建的故障处理措施数据库中相对应的处理方案,并实施该处理方案。
进一步地,所述运行状态包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电。
进一步地,所述方法中监测电缆局部放电包括以下方法:
高频电流法:使用高频电流传感器进行监测,将电缆的电流信号转换为数字信号进行分析;局部放电会产生高频电流脉冲,通过监测电缆的高频电流变化,可以检测和识别局部放电活动;
电磁波法:使用电磁波传感器来检测局部放电引起的电磁波辐射;局部放电会产生特定频率的电磁波,通过监测电缆周围的电磁波信号强度和频谱特征,可以判断是否存在局部放电;
红外热像法:使用红外热像仪来检测电缆表面温度的变化;局部放电会导致电缆绝缘的局部升温,通过红外热像仪可以观察到这些热点,作为局部放电的指示;
超声波法:使用超声波传感器来监测电缆的超声波信号;局部放电会产生声波,通过监测电缆的超声波信号的强度和频率,可以确定是否存在局部放电。
进一步地,所述配电箱故障决策模型采用决策树模型,构建配电箱故障决策模型的方法包括:
S21、选择配电箱故障决策模型;
S22、选择被采集的运行状态作为决策的特征,运行状态包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电;
S23、收集配电箱运行状态的历史数据,并对历史数据进行标记、分类;
S24、利用标记后的历史数据对配电箱故障决策模型进行训练、测试和验证。
进一步地,所述配电箱故障识别模型采用循环神经网络,将配电箱故障发生前的一定时间分割成多个相同时长的时间窗口,将连续的多个时间窗口内采集的元件运行状态作为循环神经网络的输入数据;所述配电箱故障识别模型的输出为:预测一定时间后配电箱将要发生的故障类型。
进一步地,所述配电箱故障识别模型的构建方法包括:
S31、获取配电箱运行状态的历史数据;
S32、对历史数据进行故障类型特征标记;
S33、将运行状态序列作为循环神经网络模型的输入;针对每个时间步,模型接收一个运行状态特征向量作为输入,并通过时间循环来保留历史信息并捕捉时序关系;
S34、使用S32标记后的数据对循环神经网络模型进行训练,并进行迭代优化。
进一步地,所述故障处理措施数据库中的故障方案包括断路器故障处理方案、隔离开关故障处理方案、接线端子故障处理方案、母线故障处理方案和电缆故障处理方案。
所述断路器故障处理方案包括:
检查断路器的机械连接是否紧固,若松动则加紧螺栓;
检查断路器的触头是否受损,若有损坏则更换触头;
检查断路器的电气连接是否正常,若发现接触不良则清洁接点或修复接线端子;
检查断路器的温度是否超过预设温度,若超过则调整负载或检修断路器。
进一步地,所述隔离开关故障处理方案包括:
检查隔离开关的位置状态,若发现异常则调整开关位置;
检查开关的机械连接是否正常,若松动则加紧螺栓或更换连接件;
检查开关的电气连接是否正常,若发现接触不良则清洁接点或修复接线端子。
进一步地,所述电缆故障处理方案包括:
检查电缆的局部放电情况,如局部放电超过设定阈值则进行绝缘测试或更换电缆;
检查电缆的温度是否超过预设温度,若超过则调整负载或修复电缆绝缘。
与现有技术相比本发明的有益效果为:
1、能够实时获取低压配电箱内各个元件的实时运行状态,相比传统的巡检方式或周期性检测,可以更及时地捕捉到潜在的故障信号;
2、通过预先构建的配电箱故障决策模型,对各个元件的运行状态进行判断和比对;采用决策树模型能够快速且准确地进行决策,提高了故障判定的效率;
3、使用循环神经网络作为配电箱故障识别模型,能够对实时运行状态进行特征识别,更精确地判定配电箱的故障类型;循环神经网络具有记忆能力,适合处理时序数据,可以捕捉到隐藏在数据中的模式和规律;
4、根据配电箱故障类型,从预先构建的故障处理措施数据库中提取相应的处理方案,并实施该方案;这种自动化处理能够减少人工干预,提高故障处理的效率和准确性;
5、通过配电箱故障识别模型得出故障类型后,可以准确地报告故障的位置和类型,为操作人员提供清晰的信息,便于采取相应的处理措施。
附图说明
图1是本发明的逻辑流程图;
图2是低压配电柜故障处理措施的树状图;
图3是低压配电箱故障预警系统的模块结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
实施例
下面结合本申请中的附图对本申请进行描述。
如图1至图2所示,本发明的一种低压配电箱故障预警方法,所述方法包括;
S1、获取低压配电箱内各个元件的实时运行状态;
具体的,被采集运行状态的元件包括断路器、隔离开关、接线端子、母线和电缆等,运行状态具体包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电等。
本步骤中的目标是获取低压配电箱内各个元件的实时运行状态。这意味着需要收集和监测以下元件的相关参数和指标:断路器、隔离开关、接线端子、母线和电缆,针对每个元件,可以使用不同的传感器和监测技术来获取实时运行状态,具体包括:
断路器温度:使用温度传感器来监测断路器的表面温度,这可以提供断路器的热状态信息;温度的变化可能表明过载、过电流或其他故障情况。
隔离开关位置状态:安装位置传感器在隔离开关上,以实时监测开关的位置状态,其中位置传感器可以是机械式的,如接触式或非接触式开关,通过检测隔离开关的位置,确定其是在正常的断开位还是在闭合位;也可以利用光电传感器来监测隔离开关的位置状态;这种方法通常是通过安装发射器和接收器对隔离开关位置进行光电式检测,当发射的光线被隔离开关中断时,接收器会检测到信号变化,从而确定开关的位置状态;另一方面还可以采用逐跳传感器,逐跳传感器是一种特殊的装置,用于监测隔离开关的每一次位置跳变;逐跳传感器可以记录隔离开关的操作次数和操作位置,从而提供准确的位置状态信息。
接线端子温度:通过温度传感器来测量接线端子的温度;异常的温度变化可能表示接线端子存在过热或电流负载不均衡等问题。
母线温度:使用温度传感器测量母线的温度,以监测母线的热状态;高温可能表明过载或电流不平衡等情况。
对于电缆局部放电可以采用以下方法进行监测:
高频电流法:这种方法使用高频电流传感器,将电缆的电流信号转换为数字信号进行分析;局部放电会产生高频电流脉冲,通过监测电缆的高频电流变化,可以检测和识别局部放电活动;
电磁波法:使用电磁波传感器来检测局部放电引起的电磁波辐射;局部放电会产生特定频率的电磁波,通过监测电缆周围的电磁波信号强度和频谱特征,可以判断是否存在局部放电;
红外热像法:使用红外热像仪来检测电缆表面温度的变化;局部放电会导致电缆绝缘的局部升温,通过红外热像仪可以观察到这些热点,作为局部放电的指示;
超声波法:这种方法使用超声波传感器来监测电缆的超声波信号;局部放电会产生声波,通过监测电缆的超声波信号的强度和频率,可以确定是否存在局部放电;
电容法:通过测量电缆的局部放电引起的电容变化来监测局部放电;局部放电会引起电缆介电常数的改变,进而影响电缆的电容;通过测量电容的变化,可以发现局部放电的存在;
监测电缆局部放电的这些方法可以单独或结合使用,根据具体情况选择适合的监测方法;此外,现代的监测系统通常将数据采集与分析技术相结合,通过对监测数据的实时分析和处理,可以提供更准确和可靠的电缆局部放电监测结果;重要的是定期进行电缆的监测和维护工作,以确保电缆系统的安全运行。
在S1步骤中,可以使用适当的传感器和监测设备安装在低压配电箱的关键位置,实时采集元件的相关参数,并将这些数据传输到数据采集系统或监测系统中进行处理和分析,这可以提供对配电箱各个元件的实时运行状态的准确记录和监测,为后续的故障预警和诊断提供必要的数据基础,需要注意的是,具体的传感器和监测技术的选择应根据低压配电箱的设计、元件特性和实际应用需求进行综合考虑,确保获取的运行状态数据准确可靠。
S2、利于预先构建的配电箱故障决策模型对各个元件的运行状态分别进行判断,当其中任一元件的运行状态超过预先存储的阈值时,则断开配电箱与电源之间的连接,并激活预先构建的配电箱故障识别模型;
具体在S2阶段中,所述配电箱故障决策模型采用决策树模型;构建配电箱故障决策模型的步骤如下:
S21、选择配电箱故障决策模型:在该方法中,首先需要进行配电箱故障决策模型的构建;决策树是一种常用的机器学习算法,可用于分类和预测问题;在此情况下,决策树用于根据各个元件的运行状态判断是否存在故障;
S22、特征选择:在构建决策树模型之前,需要选择用于决策的特征;被采集的运行状态包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电等;这些特征将被用作决策树模型的输入;
S23、数据收集和标记:为了构建决策树模型,需要大量的数据来训练和验证模型;这些数据包括各个元件的实时运行状态和其对应的故障类型标签;数据可以通过传感器和监测设备来收集,并经过专业人员的标记和分类;
S24、决策树的构建:利用收集到的数据,可以使用决策树算法进行模型的训练和构建;决策树根据各个特征的取值进行节点的划分,每个节点代表一个特征,并且根据该特征的取值选择不同的路径;通过递归地进行特征选择和节点划分,可以生成一棵完整的决策树模型;
S25、阈值定义与判断:为了进行运行状态的判断,需要预先设定阈值;当元件的运行状态超过预设的阈值时,决策树模型将判定该元件存在故障;具体的阈值设置可以根据实际情况和经验进行调整;
S26、运行状态判断和断开连接:使用训练好的决策树模型,对各个元件的实时运行状态进行判断;当任一元件的运行状态超过预设的阈值时,配电箱与电源之间的连接将被断开,以防止潜在故障带来的安全风险;
在S2阶段中,配电箱故障决策模型的任务是根据预先构建的决策树模型,对各个元件的实时运行状态进行判断;通过合理选择特征、数据收集和标记、决策树的构建以及阈值定义与判断等步骤,配电箱的故障状态可以被及时检测并采取相应措施;这样可以提高配电箱的安全性和可靠性。
S3、利用配电箱故障识别模型对各个元件的实时运行状态进行特征识别,得出配电箱的故障类型;
具体的,所述配电箱故障识别模型采用循环神经网络;该模型利用循环神经网络进行特征识别和故障类型分类。循环神经网络是一类特殊的神经网络,可以处理序列数据,并且具有记忆能力,适用于对时间序列或时序数据进行处理;在本方法中,将连续几个时间窗口内采集的元件运行状态作为循环神经网络的输入序列数据,从而预测一定时间后配电箱还未发生的故障类型。
更为具体的,在配电箱故障发生前的几秒钟甚至几分钟内,配电箱内元件的运行状态大多会产生波动,此过程称为异常波动时间,将异常波动时间分割成多个相同时长的时间窗口,多个时间窗口依次按时间顺序排列组成序列数据作为循环神经网络的输入;
在每个时间窗口内,运行状态数据经过预处理和转换,以适应循环神经网络的要求;这可能包括对数据进行标准化、归一化或其他必要的处理,以确保输入数据的一致性和准确性;循环神经网络通过时间循环的方式,可以捕获时间序列数据中的时序关系,并在每个时间步中更新隐藏状态;这样,网络可以学习并理解不同时间步之间的依赖关系和上下文信息,以便对配电箱的故障类型进行识别和分类;利用训练好的循环神经网络模型,对各个元件的实时运行状态进行特征识别,可以预测一定时间后配电箱可能发生的故障类型;这为后续的故障处理提供了依据,以根据配电箱的故障类型从预先构建的故障处理措施数据库中提取相应的处理方案,并进行实施。具体构建配电箱故障识别模型的步骤如下:
数据准备:为了构建配电箱故障识别模型,需要准备标记有故障类型的训练数据。这些数据包括各个元件的实时运行状态以及对应的故障标签。运行状态具体包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电等。通过专业人员对这些数据进行标记和分类,以便模型能够学习不同故障类型的特征。
特征提取与序列建模:使用循环神经网络模型,需要将运行状态序列作为输入。针对每个时间步,模型接收一个运行状态特征向量作为输入,并通过时间循环来保留历史信息并捕捉时序关系。这样可以利用序列中的时序模式来识别故障类型。
模型训练与优化:使用训练数据集对循环神经网络模型进行训练,并进行迭代优化,以提高模型的准确性和鲁棒性。在训练过程中,模型通过学习不同元件运行状态的特征和故障类型之间的关联,提升对配电箱故障的识别能力。
故障类型识别:通过使用训练好的循环神经网络模型,对配电箱各个元件的实时运行状态进行特征识别,推导出配电箱的故障类型。模型将根据输入的运行状态序列预测出最可能的故障类型,具体的故障类型包括但不限于断路器故障、隔离开关故障、接线端子故障、母线故障、电缆故障。
在S3阶段中,配电箱故障识别模型的任务是根据预先构建的循环神经网络模型对各个元件的实时运行状态进行特征识别,并推断出故障类型。通过适当的数据准备、特征提取和模型训练,循环神经网络模型能够对配电箱的故障进行有效的识别和分类,为后续的故障处理提供指导。
S4、根据配电箱故障类型,提取出预先构建的故障处理措施数据库中相对应的处理方案,并实施该处理方案。
在本步骤中,根据配电箱故障类型,从预先构建的故障处理措施数据库中提取相应的处理方案,并实施该处理方案,具体的处理方案会根据故障类型的不同而有所变化:
S41、断路器故障处理方案:
检查断路器的机械连接是否紧固,如松动则加紧螺栓;
检查断路器的触头是否受损,如有损坏则更换触头;
检查断路器的电气连接是否正常,如发现接触不良则清洁接点或修复接线端子;
检查断路器的温度是否超过预设温度,超过则调整负载或检修断路器。
S42、隔离开关故障处理方案:
检查隔离开关的位置状态,如发现异常则调整开关位置;
检查开关的机械连接是否正常,如松动则加紧螺栓或更换连接件;
检查开关的电气连接是否正常,如发现接触不良则清洁接点或修复接线端子。
S43、接线端子故障处理方案:
检查接线端子的温度是否超过预设温度,若超过则重新紧固接线或修复接线端子;
检查接线端子的电气连接是否正常,如发现接触不良则清洁接点或修复接线端子。
S44、母线故障处理方案:
检查母线的温度是否超过预设温度,若超过则需要调整负载或增加散热措施;
检查母线的电气连接是否正常,如发现接触不良则清洁接点或修复接线端子。
S45、电缆故障处理方案:
检查电缆的局部放电情况,如局部放电超过设定阈值则进行绝缘测试或更换电缆;
检查电缆的温度是否超过预设温度,若超过则调整负载或修复电缆绝缘。
以上仅是一些典型的处理方案,实际的处理方案会根据具体的故障类型、设备特点和安全要求进行综合考虑和确定,其他程度的处理方案也均在本发明的保护范围内;在实际应用中,根据实际情况和专业知识,可制定更详细、准确和可操作的故障处理方案。
实施例
如图3所示,一种低压配电箱故障预警系统,包括:
信息获取模块,所述信息获取模块包括位置传感器、断路器温度传感器、接线端子温度传感器、母线温度传感器和高频电流传感器;所述位置传感器用于监测隔离开关的位置状态并发送;断路器温度传感器用于监测断路器温度并发送;接线端子温度传感器,用于监测接线端子温度并发送;母线温度传感器,用于监测母线温度并发送;高频电流传感器,用于监测电缆的局部放电电流并发送;
一阶故障处理模块,用于接收信息获取模块发送的各元件运行状态,并存储有配电箱故障决策模型,所述配电箱故障决策模型对各个元件的运行状态与各自对应的预先设定阈值进行对比;当其中任一元件的运行状态超过预先设定的阈值时,则断开配电箱与电源之间的连接,并激活预先构建的配电箱故障识别模型;如无元件运行状态超过预先设定的阈值,则无动作并继续监测、对比;
二阶故障处理模块,用于存储配电箱故障识别模型,当配电箱故障识别模型被激活时,接收信息获取模块发送的各个元件的运行状态,并对各个元件的运行状态进行特征识别,得出配电箱的故障类型,并发送;
提示模块,所述提示模块包括语音提示和视频提示,用于接收配电箱故障类型,并通过语音和视频报告故障发生位置和类型。
在本实施例中,通过上述低压配电箱故障预警系统对配电箱进行监测,能够及时监测配电箱内各个元件的运行状态,能够发现潜在的故障迹象;基于预先设定的阈值和故障决策模型,能够实现对元件运行状态的实时判断与处理;通过故障识别模型,能够准确识别配电箱的故障类型;提供语音和视频提示,能够及时向操作人员报告故障位置和类型,帮助其采取相应的处理措施,提高故障处理的效率和准确性;通过预警和处理故障,可以减少配电箱故障带来的风险和损失,提高供电系统的可靠性和安全性。
前述实施例一中的低压配电箱故障预警方法的各种变化方式和具体实施例同样适用于本实施例的低压配电箱故障预警系统,通过前述对低压配电箱故障预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中低压配电箱故障预警系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种低压配电箱故障预警方法,其特征在于,所述方法包括:
S1、获取低压配电箱内各个元件的实时运行状态;
S2、利于预先构建的配电箱故障决策模型对各个元件的运行状态分别进行判断,当其中任一元件的运行状态超过预先存储的阈值时,则断开配电箱与电源之间的连接,并激活预先构建的配电箱故障识别模型;其中所述配电箱故障决策模型采用决策树模型;
S3、利用配电箱故障识别模型对各个元件的实时运行状态进行特征识别,得出配电箱的故障类型;其中所述配电箱故障识别模型采用循环神经网络;
S4、根据配电箱故障类型,提取出预先构建的故障处理措施数据库中相对应的处理方案,并实施该处理方案。
2.如权利要求1所述的一种低压配电箱故障预警方法,其特征在于,所述运行状态包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电。
3.如权利要求2所述的一种低压配电箱故障预警方法,其特征在于,所述方法中监测电缆局部放电包括以下方法:
高频电流法:使用高频电流传感器进行监测,将电缆的电流信号转换为数字信号进行分析;局部放电会产生高频电流脉冲,通过监测电缆的高频电流变化,可以检测和识别局部放电活动;
电磁波法:使用电磁波传感器来检测局部放电引起的电磁波辐射;局部放电会产生特定频率的电磁波,通过监测电缆周围的电磁波信号强度和频谱特征,可以判断是否存在局部放电;
红外热像法:使用红外热像仪来检测电缆表面温度的变化;局部放电会导致电缆绝缘的局部升温,通过红外热像仪可以观察到这些热点,作为局部放电的指示;
超声波法:使用超声波传感器来监测电缆的超声波信号;局部放电会产生声波,通过监测电缆的超声波信号的强度和频率,可以确定是否存在局部放电。
4.如权利要求1所述的一种低压配电箱故障预警方法,其特征在于,构建配电箱故障决策模型的方法包括:
S21、选择配电箱故障决策模型;
S22、选择被采集的运行状态作为决策的特征,运行状态包括断路器温度、隔离开关位置状态、接线端子温度、母线温度和电缆局部放电;
S23、收集配电箱运行状态的历史数据,并对历史数据进行标记、分类;
S24、利用标记后的历史数据对配电箱故障决策模型进行训练、测试和验证。
5.如权利要求4所述的一种低压配电箱故障预警方法,其特征在于,所述S3中,将配电箱故障发生前的一定时间分割成多个相同时长的时间窗口,将连续的多个时间窗口内采集的元件运行状态作为循环神经网络的输入数据;所述配电箱故障识别模型的输出为:预测一定时间后配电箱将要发生的故障类型。
6.如权利要求5所述的一种低压配电箱故障预警方法,其特征在于,所述配电箱故障识别模型的构建方法包括:
S31、获取配电箱运行状态的历史数据;
S32、对历史数据进行故障类型特征标记;
S33、将运行状态序列作为循环神经网络模型的输入;针对每个时间步,模型接收一个运行状态特征向量作为输入,并通过时间循环来保留历史信息并捕捉时序关系;
S34、使用S32标记后的数据对循环神经网络模型进行训练,并进行迭代优化。
7.如权利要求6所述的一种低压配电箱故障预警方法,其特征在于,所述故障处理措施数据库中的故障方案包括断路器故障处理方案、隔离开关故障处理方案、接线端子故障处理方案、母线故障处理方案和电缆故障处理方案。
8.如权利要求7所述的一种低压配电箱故障预警方法,其特征在于,所述断路器故障处理方案包括:
检查断路器的机械连接是否紧固,若松动则加紧螺栓;
检查断路器的触头是否受损,若有损坏则更换触头;
检查断路器的电气连接是否正常,若发现接触不良则清洁接点或修复接线端子;
检查断路器的温度是否超过预设温度,若超过则调整负载或检修断路器。
9.如权利要求7所述的一种低压配电箱故障预警方法,其特征在于,所述隔离开关故障处理方案包括:
检查隔离开关的位置状态,若发现异常则调整开关位置;
检查开关的机械连接是否正常,若松动则加紧螺栓或更换连接件;
检查开关的电气连接是否正常,若发现接触不良则清洁接点或修复接线端子。
10.如权利要求7所述的一种低压配电箱故障预警方法,其特征在于,所述电缆故障处理方案包括:
检查电缆的局部放电情况,如局部放电超过设定阈值则进行绝缘测试或更换电缆;
检查电缆的温度是否超过预设温度,若超过则调整负载或修复电缆绝缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982733.9A CN116707144B (zh) | 2023-08-07 | 2023-08-07 | 一种低压配电箱故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982733.9A CN116707144B (zh) | 2023-08-07 | 2023-08-07 | 一种低压配电箱故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707144A true CN116707144A (zh) | 2023-09-05 |
CN116707144B CN116707144B (zh) | 2024-03-19 |
Family
ID=87831568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310982733.9A Active CN116707144B (zh) | 2023-08-07 | 2023-08-07 | 一种低压配电箱故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707144B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412217A (zh) * | 2013-08-02 | 2013-11-27 | 中科天工电气控股有限公司 | 箱式变电站智能在线故障诊断系统 |
CN104052155A (zh) * | 2014-06-11 | 2014-09-17 | 国家电网公司 | 一种低压配电柜故障预警方法 |
CN106814286A (zh) * | 2017-02-10 | 2017-06-09 | 国网山东省电力公司 | 基于多元故障采集的配电网故障定位系统、方法及服务器 |
CN209247956U (zh) * | 2018-12-05 | 2019-08-13 | 上海华乘智能设备有限公司 | 一种多功能电缆局部放电智能巡检仪 |
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
KR102221729B1 (ko) * | 2020-04-09 | 2021-03-03 | 송원순 | 배전 선로 고장감지와 처리를 위한 제어 및 단말장치 |
CN112630562A (zh) * | 2020-12-04 | 2021-04-09 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
CN114819225A (zh) * | 2022-05-13 | 2022-07-29 | 中山大学 | 一种海上能源机组智能化运维方法及系统 |
CN115081584A (zh) * | 2022-05-16 | 2022-09-20 | 合肥科大智能机器人技术有限公司 | 基于机器学习的电力设备健康管理方法、系统及介质 |
CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
-
2023
- 2023-08-07 CN CN202310982733.9A patent/CN116707144B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412217A (zh) * | 2013-08-02 | 2013-11-27 | 中科天工电气控股有限公司 | 箱式变电站智能在线故障诊断系统 |
CN104052155A (zh) * | 2014-06-11 | 2014-09-17 | 国家电网公司 | 一种低压配电柜故障预警方法 |
CN106814286A (zh) * | 2017-02-10 | 2017-06-09 | 国网山东省电力公司 | 基于多元故障采集的配电网故障定位系统、方法及服务器 |
CN209247956U (zh) * | 2018-12-05 | 2019-08-13 | 上海华乘智能设备有限公司 | 一种多功能电缆局部放电智能巡检仪 |
KR102221729B1 (ko) * | 2020-04-09 | 2021-03-03 | 송원순 | 배전 선로 고장감지와 처리를 위한 제어 및 단말장치 |
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
CN112630562A (zh) * | 2020-12-04 | 2021-04-09 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
CN114819225A (zh) * | 2022-05-13 | 2022-07-29 | 中山大学 | 一种海上能源机组智能化运维方法及系统 |
CN115081584A (zh) * | 2022-05-16 | 2022-09-20 | 合肥科大智能机器人技术有限公司 | 基于机器学习的电力设备健康管理方法、系统及介质 |
CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116707144B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203816B (zh) | 一种电力系统二次设备的故障检修方法及系统 | |
KR102084784B1 (ko) | 머신러닝기반 태양광발전운영 관리방법 | |
CN108828406A (zh) | 非侵入式用户用电的故障识别方法及其系统 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN103842836A (zh) | 用于适配电弧传感器的方法 | |
Borchersen et al. | Model‐based fault detection for generator cooling system in wind turbines using SCADA data | |
US20230062725A1 (en) | Data Analytics for Smart Electrical Protection Systems | |
CN117150414B (zh) | 一种故障诊断方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
US9188632B1 (en) | Self learning radio frequency monitoring system for identifying and locating faults in electrical distribution systems | |
CN117674140B (zh) | 一种配电网测控系统及方法 | |
CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
CN116707144B (zh) | 一种低压配电箱故障预警方法 | |
CN102426671B (zh) | 一种基于综合成本最优的排故方法 | |
Albinali et al. | A centralized substation protection scheme that detects hidden failures | |
CN116359597B (zh) | 用中压开关测量雷电参数的方法及装置 | |
CN116777088A (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
CN111650444A (zh) | 基于回归分析的电磁环境中tcu失效预警方法 | |
KR102388973B1 (ko) | 내진 시설을 구비한 주배선반 시스템 | |
KR102008389B1 (ko) | 산업 제어 시스템을 위한 고장 판단 방법 및 그 장치 | |
KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
KR20220147977A (ko) | 전력 계측 설비의 악의적인 데이터 주입에 대응하기 위한 데이터 진단 장치 및 방법 | |
KR102595694B1 (ko) | 전기차 진단 및 예지 시스템 | |
CN117978837B (zh) | 一种电力数据采集传输方法及其系统 |
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 |