CN116738158A - 一种配电箱系统损耗智能评估方法 - Google Patents
一种配电箱系统损耗智能评估方法 Download PDFInfo
- Publication number
- CN116738158A CN116738158A CN202311006484.6A CN202311006484A CN116738158A CN 116738158 A CN116738158 A CN 116738158A CN 202311006484 A CN202311006484 A CN 202311006484A CN 116738158 A CN116738158 A CN 116738158A
- Authority
- CN
- China
- Prior art keywords
- signal
- thermal noise
- distribution box
- noise signal
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种配电箱系统损耗智能评估方法,包括:采集配电箱的物理参数数据和热噪声信号数据以及历史数据;获取热噪声信号数据中出现明显热噪声的时间点,根据配电箱在出现明显热噪声的时间点的物理参数数据以及历史数据获取物理参数损耗程度;获取目标热噪声信号,对目标热噪声信号进行降噪处理,得到降噪热噪声信号数据;根据降噪热噪声信号数据的波动程度以及短周期变化程度获取降噪热噪声信号数据的变化性;根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,完成配电箱损耗智能评估。本发明去除了噪声的干扰,对配电箱的损耗评估更加准确、全面。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种配电箱系统损耗智能评估方法。
背景技术
随着计算机信息技术各方面的发展,智能评估技术正在不断实现更新与突破,配电箱损耗的智能评估被应用于各个领域,包括工业制造、建筑物、民用生活、商业区域、能源供应等。配电箱损耗的智能评估是一种通过实时监测、数据分析等手段,对配电箱损耗进行评估和管理的方法,可以有效地保障配电系统的安全性与提升能效性,相较于传统配电系统的老化等诸多方面原因也导致不少设施的维护难度加大,需要利用智能化去做更好的应对。
配电箱的损耗一般来说指的是电路中的功率损耗,对该损耗的评估对于配电箱整体运行与使用的意义更大。目前的评估方法往往依赖于经验判断,而缺乏科学的数据支持。操作人员需要根据经验和直觉来判断配电箱的损耗情况,这可能导致主观性和不准确性。
发明内容
本发明提供一种配电箱系统损耗智能评估方法,以解决现有的问题。
本发明的一种配电箱系统损耗智能评估方法采用如下技术方案:
本发明一个实施例提供了一种配电箱系统损耗智能评估方法,该方法包括以下步骤:
采集配电箱的物理参数数据和热噪声信号数据以及历史数据;获取热噪声信号数据中出现明显热噪声的时间点,根据配电箱在出现明显热噪声的时间点的物理参数数据以及历史数据获取物理参数损耗程度;
将出现明显热噪声的时间点到采集结束的时间点之间的热噪声信号作为目标热噪声信号,对目标热噪声信号进行降噪处理,得到降噪热噪声信号数据;
根据历史数据对降噪热噪声信号数据进行区间划分,根据每个区间中的极大值点和极小值点获取降噪热噪声信号数据的波动程度;对降噪热噪声信号数据利用小波变换进行信号分解,得到若干短周期信号,根据短周期信号获取降噪热噪声信号数据的短周期变化程度;根据降噪热噪声信号数据的波动程度以及短周期变化程度获取降噪热噪声信号数据的变化性;
根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,完成配电箱损耗智能评估。
优选的,所述获取热噪声信号数据中出现明显热噪声的时间点,根据配电箱在出现明显热噪声的时间点的物理参数数据以及历史数据获取物理参数损耗程度,包括的具体步骤如下:
当热噪声信号数据大于或等于预设的热噪声阈值时,将对应时间点的热噪声信号数据作为明显热噪声信号,获取热噪声信号数据中出现明显热噪声信号的时间点作为配电箱出现明显热噪声信号的时间点;根据历史数据的热噪声信号数据获取历史数据中出现明显热噪声信号的时间点,将历史数据中从配电箱开始运行到历史数据中出现明显热噪声信号所经历的时间长度作为标准时间段长度;
根据标准时间段长度以及配电箱出现明显热噪声信号的时间点获取物理参数损耗程度:
其中,表示配电箱的物理参数损耗程度;/>表示标准时间段长度;/>表示配电箱开始运行的时间点;/>表示配电箱出现明显热噪声信号的时间点;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输入功率;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输出功率;/>为双曲正切函数。
优选的,所述对目标热噪声信号进行降噪处理,得到降噪热噪声信号数据,包括的具体步骤如下:
对目标热噪声信号进行处理,得到若干个信号分量;对所有信号分量进行筛选,得到筛选信号分量集合;在筛选信号分量集合中随机抽取任意数量个信号分量,作为一个信号组合,获取所有可能的信号组合;获取每个信号组合对应的处理信号;根据目标热噪声信号获取每个信号组合对应的处理信号的评判分数;
将评判分数最大的处理信号作为降噪热噪声信号数据。
优选的,所述对所有信号分量进行筛选,得到筛选信号分量集合,包括的具体步骤如下:
获取每个信号分量中信号数据的均值与0的差值绝对值,将差值绝对值小于或等于预设的频率阈值的信号分量作为高频信号分量,将所有高频信号分量构成高频信号分量集合;
计算每个信号分量和目标热噪声信号的相关性得到每个信号分量的相关系数;将相关系数小于或等于预设的相关系数阈值的信号分量作为低相关性信号分量,将所有低相关性信号分量构成低相关性信号分量集合;
对高频信号分量集合与低相关性信号分量集合求交集,若高频信号分量集合与低相关性信号分量集合的交集不为空,将交集作为筛选信号分量集合;若高频信号分量集合与低相关性信号分量集合的交集为空,将高频信号分量集合与低相关性信号分量集合的并集作为筛选信号分量集合。
优选的,所述获取每个信号组合对应的处理信号,包括的具体步骤如下:
将目标信号组合包含的所有信号分量从处理得到的若干个信号分量中剔除,将剩余的信号分量合构作为目标信号组合对应的处理信号。
优选的,所述根据目标热噪声信号获取每个信号组合对应的处理信号的评判分数,包括的具体步骤如下:
其中,表示第/>个信号组合对应的处理信号的评判分数;/>表示第/>个信号组合对应的处理信号的信噪比;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的均方误差;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的归一化互相关系数。
优选的,所述根据历史数据对降噪热噪声信号数据进行区间划分,包括的具体步骤如下:
获取历史数据中热噪声信号数据中的最大值点和最小值点的纵坐标差异,利用纵坐标差异除以预设的区间数,将所得结果作为单位区间大小;按照降噪热噪声信号数据的纵轴将大于0的区域划分为若干个大小为单位区间大小的区间,按照降噪热噪声信号数据的纵轴将小于0的区域划分为若干个大小为单位区间大小的区间。
优选的,所述根据每个区间中的极大值点和极小值点获取降噪热噪声信号数据的波动程度,包括的具体步骤如下:
其中,为降噪热噪声信号数据的波动程度;/>为降噪热噪声信号数据中的最大值;/>为降噪热噪声信号数据中的最小值;/>表示包含降噪热噪声信号数据的极大值点数量最多的区间所包含降噪热噪声信号数据的极大值点数量;/>表示包含降噪热噪声信号数据的极小值点数量最多的区间所包含降噪热噪声信号数据的极小值点数量;表示降噪热噪声信号数据的所有的极大值点数量;/>表示降噪热噪声信号数据的所有的极小值点数量。
优选的,所述根据短周期信号获取降噪热噪声信号数据的短周期变化程度,包括的具体步骤如下:
其中,E为降噪热噪声信号数据的短周期变化程度;为降噪热噪声信号数据的第个短周期信号的周期长度;/>为降噪热噪声信号数据的第/>个短周期信号的周期长度;I表示降噪热噪声信号数据的短周期信号的总个数。
优选的,所述根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,包括的具体步骤如下:
将配电箱的物理参数损耗程度与降噪热噪声信号的变化性的乘积作为配电箱的损耗程度。
本发明的技术方案的有益效果是:目前的评估方法往往依赖于经验判断,而缺乏科学的数据支持。操作人员需要根据经验和直觉来判断配电箱的损耗情况,导致主观性和不准确性。配电箱的物理参数数据和热噪声信号数据两者同样反映着配电箱内部元器件的工作情况。两者数据的变化都与元器件发生的变化密切相关,本发明根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,完成配电箱损耗智能评估,可以更全面、准确地评估配电箱的损耗情况;热噪声信号数据包含了噪声,利用热噪声信号数据进行配电箱损耗评估,在噪声的干扰下,结果不准确。本发明通过对目标热噪声信号进行EDM分解,对分解后的信号分量进行筛选,得到筛选信号分量集合,根据筛选信号分量集合中的信号分量对所有信号分量进行剔除合构,选取降噪效果最好的信号数据作为降噪热噪声信号,根据降噪热噪声信号进行配电箱的损耗程度的评估,去除了噪声干扰,结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明的一种配电箱系统损耗智能评估方法的步骤流程图;
图2为波动稳定程度对比示例图,其中(a)为稳定波动信号,(b)为剧烈波动信号;
图3周期长短变化不同的短周期信号比较示例图,其中(a)为周期稳定的短周期信号,(b)为周期变化明显的短周期信号。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种配电箱系统损耗智能评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种配电箱系统损耗智能评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种配电箱系统损耗智能评估方法的步骤流程图,该方法包括以下步骤:
S001.采集配电箱的物理参数数据和热噪声信号数据。
需要说明的是,本发明实施例的目的是通过配电箱的物理参数数据和热噪声信号数据对配电箱的损耗程度进行智能评估,因此需要先采集配电箱的物理参数数据和热噪声信号数据。
在本发明实施例中,使用万用表或其他电器测量设备采集到的输入电流和输入电压,可以得到输入功率,使用电能仪等设备可以得到配电箱的输出功率。
热噪声传感器是一种专门用于检测热噪声的传感器。有多种类型可供选择,例如热电偶、热敏电阻、热噪声放大器等,实施人员可具体根据实际场景要求进行选取。
在选择传感器时需要考虑到所测量的电路信号特性、电路工作频率、传感器灵敏度、稳定性等因素并且在使用前对传感器进行校准,将传感器与测量系统进行连接,以便将传感器信号转换为数字信号进行处理,启动测量系统并采集传感器输入信号,得到热噪声信号数据。
在本发明实施例中,配电箱的物理参数数据和热噪声信号数据的采集时间段由实施人员根据具体的实施情况设置,在本发明实施例中,以采集时间段为一天为例进行说明。
至此,获取了配电箱的物理参数数据和热噪声信号数据。
S002.根据配电箱的物理参数分析量化物理参数损耗程度。
需要说明的是,物理参数数据主要可以体现功率损耗。功率损耗反映电路能量转化的效率,功率损耗越大,电路转化能量的效率就越低,说明电路的质量和性能存在问题。对历史数据进行分析,如果当前配电箱明显热噪声信号出现的时间点比历史数据中要早,说明更快进入了负载状态。从开始运行到出现明显热噪声信号中间的功率损耗变化,如果在更快进入了负载且损耗变得更多说明系统损耗在变大。
明显热噪声信号的定义因应用环境和处理数据的方法而异,但通常指的是在热噪声超出一定水平时的信号大小,当热噪声信号到达该水平大小时,表示采集到的热噪声信号明显。
在本发明实施例中,选取与当前配电箱的物理参数数据和热噪声信号数据为不同日期,但为相同时间段的数据,作为历史数据,通过前后比较进行损耗评估,历史数据的日期由实施人员根据具体实施情况设置。例如当需要对比当天和前一天相比配电箱的损耗程度变化,可以将前一天的数据作为历史数据。
需要说明的是,通过历史数据可以得到到达出现明显热噪声的时刻是什么时间节点,该时间段内存在总输入功率和总输出功率。总输入功率和总输出功率的差值就是功率损耗,功率损耗与总输入功率的比值就是功率损耗百分比,该值反映了配电箱的能耗损失程度。如果该时间段的长度越来越短且功率损耗百分比越大,说明配电箱的损耗越大。
在本发明实施例中,预设一个热噪声阈值,其中本发明实施例以/>=100为例进行叙述,本发明实施例不进行具体限定,实施人员可根据实际经验以及具体实施情况设置/>的值。当历史数据中热噪声信号数据大于或等于热噪声阈值/>时,将对应时间点的热噪声信号数据作为明显热噪声信号,获取历史数据中出现明显热噪声信号的时间点,将历史数据中从配电箱开始运行到出现明显热噪声信号所经历的时间长度作为标准时间段长度。
同理,根据配电箱的热噪声信号数据的获取配电箱出现明显热噪声信号的时间点。
根据标准时间段长度以及配电箱出现明显热噪声信号的时间点获取物理参数损耗程度:
其中,表示配电箱的物理参数损耗程度;/>表示标准时间段长度,单位为小时;表示配电箱开始运行的时间点;/>表示配电箱出现明显热噪声信号的时间点;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输入功率,单位为千瓦,其中总输入功率包含在物理参数数据中;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输出功率,单位为千瓦,其中总输出功率包含在物理参数数据中;/>为双曲正切函数;从开始运行到到达出现明显热噪声信号的时间段长度越短,且该时间段内的功率损耗越多,说明在物理参数方面配电箱损耗程度越大。物理参数损耗程度/>的结果值越大,也即越趋近于/>,说明损耗越大。
至此,得到了配电箱物理参数数据体现的损耗程度,并得到了出现明显热噪声的时间点,对从该时间点开始的热噪声信号数据进行分析才更有意义。
S003.对热噪声信号数据进行降噪,获取降噪热噪声信号数据。
需要说明的是,热噪声信号是反映配电箱内部元器件温度变化的信号。在元器件发生工作状态变化时,温度也会相应发生变化,从而导致热噪声信号的频率和幅度也发生变化。通过对热噪声信号的监测与分析,可以了解配电箱内部的温度变化情况以及元器件的工作状态,从而判断配电箱内部是否出现了故障。步骤S002得到了配电箱出现明显热噪声信号的时间点,从该时间点开始采集到的信号,可以按需求截取合适长度的热噪声信号数据,然后对该段数据进行分析即可。采集到的热噪声信号作为原始信号是包含各种噪声的,可以通过EMD分解剔除某些噪声信号,再合构组成较为纯净的热噪声信号,之后再对合构的信号分析,增加损耗评估的准确性。
在本发明实施例中,按照步骤S002中获取的出现明显热噪声的时间点对采集到的热噪声信号数据进行截取,将出现明显热噪声的时间点到采集结束的时间点之间的热噪声信号作为目标热噪声信号。对目标热噪声信号进行处理,得到固有模态函数群/>和一个剩余残差信号/>。
需要说明的是,固有模态函数群中每个单独的固有模态函数/>可以作为单独的信号进行分析,因此可将/>称为信号分量,对使用/>分解得到的若干信号分量/>进行筛选,将筛选后的/>进行叠加,就得到降噪后的热噪声信号。高频信号分量更倾向于包含一些噪声,且相关性较高的信号分量和原始信号的关系相对其他信号分量更为密切,如果将相关性较高的信号分量去除再进行合构得到的数据和原始信号数据差别可能会较明显。因此在去噪时,选择去除的信号分量的特点有两个,属于高频信号且尽量和原始信号的相关性较低。区分高频信号分量和低频信号分量,只需计算信号数据的均值,接近/>的信号分量是高频分量,远离/>的信号分量则为低频信号,这个区分方式是由高低频分量各自的特点决定的,在此不过多赘述。
在本发明实施例中,预设一个频率阈值,其中本发明实施例以/>=0.1为例进行叙述,本发明实施例不进行具体限定。获取每个信号分量/>中信号数据的均值,作为每个信号分量/>的均值,获取每个信号分量/>的均值与0的差值绝对值,将差值绝对值小于或等于频率阈值/>的信号分量作为高频信号分量,将差值绝对值大于频率阈值/>的信号分离作为低频信号分量。
将所有的高频信号分量构成高频信号分量集合,用表示高频信号分量集合,集合表示如下所示:
其中表示第1个高频信号分量;/>为高频信号分量的个数;/>表示第/>个高频信号分量。
计算每个信号分量和目标热噪声信号的相关性得到每个信号分量的相关系数,具体计算方法可以采用皮尔逊相关系数进行计算。预设一个相关系数阈值,其中本发明实施例以/>=0.5为例进行叙述,本发明实施例不进行具体限定。将相关系数大于相关系数阈值/>的信号分量作为高相关性信号分量,反之为低相关性信号分量。将所有低相关性信号分量构成低相关性信号分量集合,用/>表示,集合表示如下所示:
其中表示第1个低相关性信号分量;/>为低相关性信号分量的个数;表示第/>个低相关性信号分量。
对高频信号分量集合与低相关性信号分量集合/>求交集,若高频信号分量集合/>与低相关性信号分量集合/>的交集不为空,则将交集作为筛选信号分量集合,若高频信号分量集合/>与低相关性信号分量集合/>的交集为空,则将高频信号分量集合与低相关性信号分量集合/>的并集作为筛选信号分量集合。用/>表示筛选信号分量集合,则/>筛选信号分量集合表示如下:
其中表示筛选信号分量集合中第1个信号分量;/>为筛选信号分量集合中信号分量的个数;/>表示筛选信号分量集合中第/>个信号分量。
需要说明的是,筛选信号分量集合中每个信号分量都满足是高频信号分量且相关性较低,根据被筛选后剩下的信号分量进行重构得到的信号的好坏与否,还需要对处理后的信号进行评判。
在本发明实施例中,在筛选信号分量集合中随机抽取任意数量个信号分量,作为一个信号组合。获取所有可能的信号组合。例如筛选信号分量集合为{/>,/>,/>}时,所有可能的信号组合为/>、/>、/>、/>、/>、/>、/>。
将任意一个信号组合作为一个目标信号组合,将目标信号组合包含的所有信号分量从固有模态函数群中剔除,将固有模态函数群/>中剩余的信号分量合构作为目标信号组合对应的处理信号。
同理,获取每个信号组合对应的处理信号。
获取每个信号组合对应的处理信号的评判分数:
其中,表示第/>个信号组合对应的处理信号的评判分数;/>表示第/>个信号组合对应的处理信号的信噪比;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的均方误差;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的归一化互相关系数;信噪比/>越大,说明第/>个信号组合对应的处理信号包含的噪声越少,表示处理的效果越好;均方根误差/>越小说明第/>个信号组合对应的处理信号与目标热噪声信号相比差异性越小,表示处理的效果越好;归一化互相关系数/>越趋近于/>,表示处理的效果越好;/>的结果值越小说明筛选后再合构得到的信号越接近于目标热噪声信号,也即处理的效果越好。
将评判分数最大的处理信号作为降噪热噪声信号数据。
至此,实现了对热噪声信号数据的降噪,获取了降噪热噪声信号数据。
S004.根据降噪热噪声信号数据的波动程度和短周期变化程度获取降噪热噪声信号数据的变化性。
需要说明的是,降噪热噪声信号数据中为降噪后的数据,此时降噪热噪声信号数据的变化性反映了配电箱系统的损耗程度,变化性越高的降噪热噪声信号数据,评估的损耗越大,说明配电箱系统的损耗较大。本发明实施例对降噪热噪声信号数据进行分析,对其变化性进行量化。降噪热噪声信号数据的变化性的分析量化需要从以下特征维度去考虑,分别为:整体信号的波动程度以及短周期信号的变化程度。波动程度指的是一组信号的波动稳定程度,可以表现出信号的变化是否剧烈,越稳定的波动说明整体运行过程中,配电箱的温度和硬件运行处于较为稳定的状态。通过统计极大值点和极小值点所在数值区间的数量可反映波动稳定程度。例如图2为波动稳定程度对比示例图,图2中左侧信号的极大值点和极小值点所在的区间一共有个,右侧信号的极大值点和极小值点所在的区间一共有/>个,左侧的信号变化波动性明显更小。
在本发明实施例中,预设一个区间数,其中本发明实施例以/>=10为例进行叙述,本发明实施例不进行具体限定。获取历史数据中热噪声信号数据中的最大值点和最小值点的纵坐标差异,利用纵坐标差异除以区间数/>,将所得结果作为单位区间大小。按照降噪热噪声信号数据的纵轴将大于0的区域划分为若干个大小为单位区间大小的区间,按照降噪热噪声信号数据的纵轴将小于0的区域划分为若干个大小为单位区间大小的区间。
获取降噪热噪声信号数据中极大值点和极小值点,寻找极大极小值点的方法可以采用基于微分的方法或者基于插值的方法实现,为现有技术,在此不多赘述。统计各个区间中包含的极大值点的数量和极小值点的数量。
根据降噪热噪声信号数据中的极大值点和极小值点获取降噪热噪声信号数据的波动程度:
其中,为降噪热噪声信号数据的波动程度;/>为降噪热噪声信号数据中的最大值;/>为降噪热噪声信号数据中的最小值;/>表示包含降噪热噪声信号数据的极大值点数量最多的区间所包含降噪热噪声信号数据的极大值点数量;/>表示包含降噪热噪声信号数据的极小值点数量最多的区间所包含降噪热噪声信号数据的极小值点数量;表示降噪热噪声信号数据的所有的极大值点数量;/>表示降噪热噪声信号数据的所有的极小值点数量;/>表示信号数据的最大最小值差距,差距值越大,说明降噪热噪声信号数据在这两部分发生了突变,而突变一定是由于某些原因所引起的,应当被视作是一种异常。此外,发生突变的信号更倾向于产生较大波动,因为信号产生突变之后再变回原来的缓和状态是需要一个过程的,在信号突变时,可能会产生非常快速的变化,并会影响信号的稳定性,使信号产生周期性或随机性等变化;极大值点数量最多的极大值区间内极大值点数量占极大值点总数的比重/>越大,降噪热噪声信号数据越稳定,极小值点同理。降噪热噪声信号数据越稳定,公式部分的值越大,且加号两边各自最大值都趋近于,因此与/>做差值。当/>越大时,降噪热噪声信号数据越不稳定,即波动程度越大。
需要说明的是,采用小波变换可以将一段长信号分解为若干短周期信号成分,而且能够提供信号的局部特征信息,适用于处理多种类型的非平稳信号和含有非周期性变化的信号,符合热噪声信号具有变化性的特点。由分解后的若干短周期信号成分可以得到短周期信号的变化程度,具体为信号平均周期长度以及短周期的周期长短变化性。信号平均周期长度指的是稳定的热噪声信号更倾向于是长周期信号,热噪声信号的稳定也体现了配电箱系统运行的稳定。如果配电箱运行内部发生异常或者部分设备运行状态不正常时,内部的热噪声信号变化较大,在信号中体现即为由更多若干短周期信号组成整体信号,此时信号平均周期长度较小。短周期的周期长短变化性指的是信号的周期长短可以体现信号是否是一种变化局促的状态,变化局促的信号平均周期长度很短,但如果平均周期很短的同时,长短变化突变明显,则说明信号并不稳定。图3为周期长短变化不同的短周期信号比较示例图,图3中左侧信号由4个短周期的信号组成,虽然平均周期短,但是每个周期的长度变化相较于右侧信号并不明显,右侧信号也由个短周期的信号组成,但是每个信号的周期长度相互之间进行比较明显变化较左侧信号明显。
在本发明实施例中,对降噪热噪声信号数据利用小波变换进行信号分解,得到若干短周期信号。
根据短周期信号获取降噪热噪声信号数据的短周期变化程度:
其中,E为降噪热噪声信号数据的短周期变化程度;为降噪热噪声信号数据的第个短周期信号的周期长度;/>为降噪热噪声信号数据的第/>个短周期信号的周期长度;I表示降噪热噪声信号数据的短周期信号的总个数;/>表示降噪热噪声信号数据的平均短周期长度;/>表示所有相邻短周期信号的周期长度差异的平均值,即平均周期长度差值,平均周期长度差值越大,说明周期长度的变化越明显。当平均短周期长度越小,且平均周期长度差值越大时,降噪热噪声信号数据的短周期变化程度越大,降噪热噪声信号数据的短周期变化程度越明显。
根据降噪热噪声信号数据的波动程度以及短周期变化程度获取降噪热噪声信号数据的变化性:
其中表示降噪热噪声信号数据的变化性;/>表示降噪热噪声信号数据的波动程度;/>表示降噪热噪声信号数据的短周期变化程度;降噪热噪声信号数据的波动程度和短周期变化程度越大,降噪热噪声信号数据的变化性越明显。
至此,获取了降噪热噪声信号数据的变化性。
S005.对配电箱进行损耗评估。
需要说明的是,功率损耗和热噪声信号的变化都与元器件发生的变化密切相关,利用两者的变化特征进行分析可以更全面、准确地评估配电箱的损耗情况。使用物理参数数据和热噪声信号数据结合,可对配电箱的损耗进行智能评估。对于配电箱损耗程度的判断从物理参数结合热噪声信号数据去判断,前者与配电箱内部电器设备的状态和功率有关,后者反映配电箱内部电气设备的状态和运行情况。在实践中,通过检测这些信号的变化性,可以获得更为准确的配电箱状态信息。
在本发明实施例中,根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度:
表示配电箱的损耗程度;/>表示物理参数损耗程度;/>表示降噪热噪声信号数据的变化性;物理参数损耗程度越大,且降噪热噪声信号数据的变化性越明显,说明配电箱的损耗程度越大。
至此,获取了配电箱的损耗程度。
通过以上步骤,完成了配电箱系统损耗智能评估。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电箱系统损耗智能评估方法,其特征在于,该方法包括以下步骤:
采集配电箱的物理参数数据和热噪声信号数据以及历史数据;获取热噪声信号数据中出现明显热噪声的时间点,根据配电箱在出现明显热噪声的时间点的物理参数数据以及历史数据获取物理参数损耗程度;
将出现明显热噪声的时间点到采集结束的时间点之间的热噪声信号作为目标热噪声信号,对目标热噪声信号进行降噪处理,得到降噪热噪声信号数据;
根据历史数据对降噪热噪声信号数据进行区间划分,根据每个区间中的极大值点和极小值点获取降噪热噪声信号数据的波动程度;对降噪热噪声信号数据利用小波变换进行信号分解,得到若干短周期信号,根据短周期信号获取降噪热噪声信号数据的短周期变化程度;根据降噪热噪声信号数据的波动程度以及短周期变化程度获取降噪热噪声信号数据的变化性;
根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,完成配电箱损耗智能评估。
2.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述获取热噪声信号数据中出现明显热噪声的时间点,根据配电箱在出现明显热噪声的时间点的物理参数数据以及历史数据获取物理参数损耗程度,包括的具体步骤如下:
当热噪声信号数据大于或等于预设的热噪声阈值时,将对应时间点的热噪声信号数据作为明显热噪声信号,获取热噪声信号数据中出现明显热噪声信号的时间点作为配电箱出现明显热噪声信号的时间点;根据历史数据的热噪声信号数据获取历史数据中出现明显热噪声信号的时间点,将历史数据中从配电箱开始运行到历史数据中出现明显热噪声信号所经历的时间长度作为标准时间段长度;
根据标准时间段长度以及配电箱出现明显热噪声信号的时间点获取物理参数损耗程度:
其中,表示配电箱的物理参数损耗程度;/>表示标准时间段长度;/>表示配电箱开始运行的时间点;/>表示配电箱出现明显热噪声信号的时间点;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输入功率;/>表示从开始运行到出现明显热噪声信号的两个时间点之间的总输出功率;/>为双曲正切函数。
3.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述对目标热噪声信号进行降噪处理,得到降噪热噪声信号数据,包括的具体步骤如下:
对目标热噪声信号进行处理,得到若干个信号分量;对所有信号分量进行筛选,得到筛选信号分量集合;在筛选信号分量集合中随机抽取任意数量个信号分量,作为一个信号组合,获取所有可能的信号组合;获取每个信号组合对应的处理信号;根据目标热噪声信号获取每个信号组合对应的处理信号的评判分数;
将评判分数最大的处理信号作为降噪热噪声信号数据。
4.根据权利要求3所述的一种配电箱系统损耗智能评估方法,其特征在于,所述对所有信号分量进行筛选,得到筛选信号分量集合,包括的具体步骤如下:
获取每个信号分量中信号数据的均值与0的差值绝对值,将差值绝对值小于或等于预设的频率阈值的信号分量作为高频信号分量,将所有高频信号分量构成高频信号分量集合;
计算每个信号分量和目标热噪声信号的相关性得到每个信号分量的相关系数;将相关系数小于或等于预设的相关系数阈值的信号分量作为低相关性信号分量,将所有低相关性信号分量构成低相关性信号分量集合;
对高频信号分量集合与低相关性信号分量集合求交集,若高频信号分量集合与低相关性信号分量集合的交集不为空,将交集作为筛选信号分量集合;若高频信号分量集合与低相关性信号分量集合的交集为空,将高频信号分量集合与低相关性信号分量集合的并集作为筛选信号分量集合。
5.根据权利要求3所述的一种配电箱系统损耗智能评估方法,其特征在于,所述获取每个信号组合对应的处理信号,包括的具体步骤如下:
将目标信号组合包含的所有信号分量从处理得到的若干个信号分量中剔除,将剩余的信号分量合构作为目标信号组合对应的处理信号。
6.根据权利要求3所述的一种配电箱系统损耗智能评估方法,其特征在于,所述根据目标热噪声信号获取每个信号组合对应的处理信号的评判分数,包括的具体步骤如下:
其中,表示第/>个信号组合对应的处理信号的评判分数;/>表示第/>个信号组合对应的处理信号的信噪比;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的均方误差;/>表示第/>个信号组合对应的处理信号与目标热噪声信号的归一化互相关系数。
7.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述根据历史数据对降噪热噪声信号数据进行区间划分,包括的具体步骤如下:
获取历史数据中热噪声信号数据中的最大值点和最小值点的纵坐标差异,利用纵坐标差异除以预设的区间数,将所得结果作为单位区间大小;按照降噪热噪声信号数据的纵轴将大于0的区域划分为若干个大小为单位区间大小的区间,按照降噪热噪声信号数据的纵轴将小于0的区域划分为若干个大小为单位区间大小的区间。
8.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述根据每个区间中的极大值点和极小值点获取降噪热噪声信号数据的波动程度,包括的具体步骤如下:
其中,为降噪热噪声信号数据的波动程度;/>为降噪热噪声信号数据中的最大值;为降噪热噪声信号数据中的最小值;/>表示包含降噪热噪声信号数据的极大值点数量最多的区间所包含降噪热噪声信号数据的极大值点数量;/>表示包含降噪热噪声信号数据的极小值点数量最多的区间所包含降噪热噪声信号数据的极小值点数量;表示降噪热噪声信号数据的所有的极大值点数量;/>表示降噪热噪声信号数据的所有的极小值点数量。
9.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述根据短周期信号获取降噪热噪声信号数据的短周期变化程度,包括的具体步骤如下:
其中,E为降噪热噪声信号数据的短周期变化程度;为降噪热噪声信号数据的第/>个短周期信号的周期长度;/>为降噪热噪声信号数据的第/>个短周期信号的周期长度;I表示降噪热噪声信号数据的短周期信号的总个数。
10.根据权利要求1所述的一种配电箱系统损耗智能评估方法,其特征在于,所述根据配电箱的物理参数损耗程度以及降噪热噪声信号的变化性获取配电箱的损耗程度,包括的具体步骤如下:
将配电箱的物理参数损耗程度与降噪热噪声信号的变化性的乘积作为配电箱的损耗程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006484.6A CN116738158B (zh) | 2023-08-11 | 2023-08-11 | 一种配电箱系统损耗智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006484.6A CN116738158B (zh) | 2023-08-11 | 2023-08-11 | 一种配电箱系统损耗智能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738158A true CN116738158A (zh) | 2023-09-12 |
CN116738158B CN116738158B (zh) | 2023-10-24 |
Family
ID=87918962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006484.6A Active CN116738158B (zh) | 2023-08-11 | 2023-08-11 | 一种配电箱系统损耗智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738158B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4703507A (en) * | 1984-04-05 | 1987-10-27 | Holden Thomas W | Noise reduction system |
CN101821949A (zh) * | 2007-07-19 | 2010-09-01 | 吉林克斯公司 | 用于抑制电路中的噪声的方法和电路 |
WO2014207849A1 (ja) * | 2013-06-26 | 2014-12-31 | 三菱電機株式会社 | 電圧監視制御システム、電圧監視制御装置、計測装置および電圧監視制御方法 |
CN108594161A (zh) * | 2018-05-03 | 2018-09-28 | 国网重庆市电力公司电力科学研究院 | 一种电能表内异物声音信号降噪方法、系统 |
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN113190976A (zh) * | 2021-04-13 | 2021-07-30 | 国网江西省电力有限公司供电服务管理中心 | 一种充电站损耗分析方法 |
CN114415762A (zh) * | 2021-12-28 | 2022-04-29 | 厦门市同耀电器实业有限公司 | 一种智能配电箱安全用电的控制方法及系统 |
CN114966507A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 一种fMRI中射频接收线圈本征时域稳定性评价方法 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
CN116388758A (zh) * | 2023-02-18 | 2023-07-04 | 北京大学 | 采样热噪声消除电路、电容数字转换器及物联网芯片 |
-
2023
- 2023-08-11 CN CN202311006484.6A patent/CN116738158B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4703507A (en) * | 1984-04-05 | 1987-10-27 | Holden Thomas W | Noise reduction system |
CN101821949A (zh) * | 2007-07-19 | 2010-09-01 | 吉林克斯公司 | 用于抑制电路中的噪声的方法和电路 |
WO2014207849A1 (ja) * | 2013-06-26 | 2014-12-31 | 三菱電機株式会社 | 電圧監視制御システム、電圧監視制御装置、計測装置および電圧監視制御方法 |
CN108594161A (zh) * | 2018-05-03 | 2018-09-28 | 国网重庆市电力公司电力科学研究院 | 一种电能表内异物声音信号降噪方法、系统 |
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN113190976A (zh) * | 2021-04-13 | 2021-07-30 | 国网江西省电力有限公司供电服务管理中心 | 一种充电站损耗分析方法 |
CN114415762A (zh) * | 2021-12-28 | 2022-04-29 | 厦门市同耀电器实业有限公司 | 一种智能配电箱安全用电的控制方法及系统 |
CN114966507A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学 | 一种fMRI中射频接收线圈本征时域稳定性评价方法 |
CN116388758A (zh) * | 2023-02-18 | 2023-07-04 | 北京大学 | 采样热噪声消除电路、电容数字转换器及物联网芯片 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
Non-Patent Citations (3)
Title |
---|
KOSTYANTYN KOZIY, ET AL: "A Low-Cost Power-Quality Meter With Series Arc-Fault Detection Capability for Smart Grid", 《IEEE TRANSACTIONS ON POWER DELIVERY》, vol. 28, no. 3, pages 1584 - 1591, XP011515987, DOI: 10.1109/TPWRD.2013.2251753 * |
冯业锋: "变电站智能化改造若干关键技术研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2012, no. 12, pages 042 - 159 * |
李新家 等: "配电台区在线线损分级管理和智能异常分析设计", 《电力需求侧管理》, vol. 18, no. 02, pages 46 - 48 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738158B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113312413B (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
CN116111727B (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
CN115935296B (zh) | 一种电能数据计量方法及系统 | |
CN109307798B (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
CN109634233A (zh) | 工业大数据智能分析决策方法、可读存储介质和终端 | |
CN117459073B (zh) | 一种热泵系统运行数据的智能管理方法 | |
CN116933044A (zh) | 一种供电数据智能处理方法及系统 | |
CN118051863B (zh) | 一种基于数字计量技术的健康数据采集系统及方法 | |
CN109614451A (zh) | 工业大数据智能分析决策装置 | |
CN116345700A (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
CN116861797A (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CN116738158B (zh) | 一种配电箱系统损耗智能评估方法 | |
CN116510223B (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
Rehman et al. | Non-intrusive load monitoring: A computationally efficient hybrid event detection algorithm | |
KR20210097613A (ko) | 수요관리 자원 최적화를 위한 전력사용량 예측 시스템 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN115864995B (zh) | 基于大数据挖掘的逆变器转换效率的诊断方法和装置 | |
CN112597607A (zh) | 风力发电机高速轴承的预测性维修方法及系统 | |
CN116629843A (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
CN110969238A (zh) | 一种校准用电数据的方法及装置 |
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 |