CN116977267A - 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 - Google Patents
一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 Download PDFInfo
- Publication number
- CN116977267A CN116977267A CN202310404825.9A CN202310404825A CN116977267A CN 116977267 A CN116977267 A CN 116977267A CN 202310404825 A CN202310404825 A CN 202310404825A CN 116977267 A CN116977267 A CN 116977267A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- data
- chromaticity
- domain
- cabinet equipment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 230000007935 neutral effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置,属检测领域。包括采集目标设备的声学信号;利用高分辨率的短时分数阶傅里叶变换实现声学信号的时域—频域转换;将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像;将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;基于计算高效、训练鲁棒性强的残差神经网络实现开关柜设备运行状态的可靠预警。本技术方案的计算高效、结果准确,得到的比对色度图谱包含了丰富的开关柜设备状态信息,为开关柜设备的状态辨识与缺陷预警提供了可靠的数据与技术支撑。可广泛用于开关柜设备的运行监控领域。
Description
技术领域
本发明属于检测领域,尤其涉及一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置。
背景技术
开关柜是电力系统变电与配电环节的重要组成设备,其运行的可靠性对于整个电力系统的安全与稳定起着极为重要的作用。
现有的针对于开关柜的在线监测手段大多侧重于局部放电、温度的监测方法研究,对于设备的机械状态监测研究相对缺乏;而据相关资料统计,开关柜设备内部部件接触不良的机械缺陷也是导致设备故障检修的重要原因。因此,寻求一种针对于开关柜设备运行状态的在线监测方法值得进一步研究。
授权公告日为2018.11.02,授权公告号为CN 104374423 B的发明专利,公开了“一种集群高压开关柜在线监测装置及其监测方法”,所述集群高压开关柜在线监测装置包括中央集中控制台、以太网、通信转换器、数据总线、集群开关柜;其特征为:每个开关柜中包括光纤温度传感器、真空断路器光纤位移传感器、电流传感器、开关柜功率监测模块、数据处理器;上述传感器、监测模块采集到数据信号后传输给数据处理器进行数据分析、处理,并将最终处理结果通过数据总线传输到通讯转换器后通过总线或以太网上传到中央集中控制台。通过采用上述监控装置以及监控方法能够实时动态了解集群开关柜的运行状态,从而提高了电力系统可靠性,便于维修人员维修和检测。但是该技术方案侧重于常规的温度、电流及电压检测手段,不能避免常规在线监测方法由于开关柜设备缺陷类型差异性大、无法实现缺陷的识别及告警的问题,亦不能直观地展示设备当前状态。
此外,常规的开关柜在线监测方法还包括:超声检测技术和超高频(UHF)检测技术,并取得了一定的成效,但超声检测技术检测效率较低、检测精度较低,对存在机械振动的电气设备、其信号分析误差较大;UHF技术的灵敏度较高、可实现开关柜异响缺陷位置的准确定位,但UHF检测的操作较为复杂,对检测设备、缺陷图谱的要求都很高,且易受现场环境的电磁干扰,需要高级的仪器仪表和经验丰富的专家,操作成本高。
有鉴于此,有必要提供一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置,基于非接触式监测手段提升监测安全性的基础上,利用辨识度高的一维信号-二维图谱编码方法直观展示设备当前状态,并基于历史正常运行数据建立针对于开关柜设备的异常状态预警图谱集,进而达到提升电力系统运行稳定性的目的。
发明内容
本发明所要解决的技术问题是提供一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置。其采集目标设备的声学信号,利用高分辨率的短时分数阶傅里叶变换技术实现声学信号的时域—频域转换,并将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;最后,基于计算高效、训练鲁棒性强的残差神经网络实现开关柜设备运行状态的可靠预警。综上,本发明计算高效、结果准确,得到的比对色度图谱包含了丰富的开关柜设备状态信息,为开关柜设备的状态辨识与缺陷预警提供了可靠的数据与技术支撑。
本发明的技术方案是:提供一种基于变电站开关柜设备的在线监测方法,包括利用声学传感器采集得到开关柜设备原始的时域声学信号,其特征是:
1)借助短时分数阶傅里叶变换实现开关柜时域声学信号的时-频域转换;
2)将得到的数据由频谱域映射至音高域;
3)对映射结果进行归一化处理,得到相应状态下的二维色度图像;
4)通过采集变电站开关柜设备正常运行状态下的时域声学信号,构建变电站开关柜设备正常运行状态下的色度图像集;
5)将不同状态下的二维色度图像与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;
6)基于残差神经网络实现开关柜设备运行状态的可靠预警。
具体的,所述步骤1)中的时-频域转换包括:利用短时分数阶傅里叶变换,将开关柜设备的声学信号y={y1,y2,…yn}进行时-频域的转换:
式中,F(t,u)表示短时分数阶傅里叶变换后的信号,t表示时间,u表示未知量,表示窗函数,K(τ,u)表示核函数,τ表示时间间隔。
具体的,在所述步骤2)中,将得到的数据由频谱域映射至音高域,其映射计算公式如下:
式中,p表示音高,与频率f的关系为p=69+12log2(f/440),k∈[0,N-1]表示频率分量的索引个数,N表示声学信号长度。
具体的,在所述步骤3)中,可得到色度向量Xve:
式中,c表示变量,Xve(c)表示每一个音阶分量所属频率带的能量大小,mod表示余数计算,{p∈[0,127];p mod 12=c}意为音高p是一个介于0到127之间的整数,c是一个介于0到11之间的整数,且p除以12的余数等于c;
在所述步骤3)中,对色度向量Xve进行归一化处理,可得:
Xnorm(c)=Xve(c)/max(Xve(c))。
进一步的,所述步骤5)中的将不同状态下的二维色度图像与历史正常数据得到的色度图像进行比对,其比对的具体公式如下:
Xew=||Xa-Xn||2/||Xn||2
式中,Xew表示预警比对二维矩阵,Xn表示历史正常数据的色度矩阵,Xa表示实时采集信号转换得到的色度矩阵。
进一步的,所述的残差网络映射层F定义为:
F=W1σ(W2x)
式中,x为输入特征信息,σ为修正函数,W1、W2分别为前后特征层的权重信息。
更进一步的,所述开关柜设备的不同状态,至少包括变电站开关柜设备的机械状态是否正常,以及变电站开关柜设备是否存在放电状态。
本发明的技术方案,还提供了一种采用上述权利要求所述方法的基于变电站开关柜设备的状态在线监测系统装置,其特征是具体包括:
数据感知模块、数据采集模块、数据处理模块以及结果显示模块;
其中,数据感知模块被用来采集目标设备的声学信号;
数据采集模块被用来处理原始声学信号数据,具体包括收集所述数据感知模块获得的声学信号并进行信号放大,ADC采集和信号存储,并将数据传送至所述数据处理模块;
数据处理模块被用来处理、计算声学数据;首先利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;然后,将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;最后,基于计算高效、训练鲁棒性强的残差神经网络实现开关柜设备运行状态的可靠预警;
结果显示模块被用来显示开关柜设备当前状态的色度矩阵、色度图像以及色度比对预警结果的输出。
本发明的技术方案,又提供了一种采用上述权利要求之任一所述方法工作的计算机设备,包括存储模块和处理模块,其存储模块存储有计算机程序,其特征是:
所述处理模块执行计算机程序时,利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;实现数据的频谱域-音高域映射及其归一化处理;二维色度图像的输出与历史正常色度图像的比对,建立针对于开关柜设备的异常状态预警图谱集;借助残差神经网络实现开关柜设备运行状态辨识与预警。
最后,本发明的技术方案,又提供了一种用于存储上述权利要求之任一所述方法的计算机可读存储介质,其特征是:
所述的计算机可读存储介质上存储有计算机程序,该计算机程序被处理模块执行时,用于实现上述权利要求之任一所述的开关柜设备的状态监测方法。
与现有技术比较,本发明的优点是:
1.本发明的技术方案,利用高分辨率的短时分数阶傅里叶变换技术实现声学信号的时域—频域转换,并将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;
2.本发明的技术方案,克服了常规在线监测方法由于开关柜设备缺陷类型差异性大、无法实现缺陷的识别及告警问题,能够有效地感知开关柜设备工作状态的变化程度,基于计算高效、训练鲁棒性强的残差神经网络,实现了开关柜设备运行状态的可靠预警;
3.本发明的技术方案,计算高效、结果准确,得到的比对色度图谱包含了丰富的开关柜设备状态信息,为开关柜设备的状态辨识与缺陷预警提供了可靠的数据与技术支撑。
附图说明
图1是本发明的方法流程方框示意图;
图2是本发明系统装置的模块构架示意图;
图3是本发明所述计算机设备及计算机可读存储介质的示意图;
图4a是开关柜在正常-机械异常状态下的比对色度图像示意图;
图4b是开关柜在正常-放电异常状态下的比对色度图像示意图;
图5a是本发明训练过程中损失函数的性能曲线示意图;
图5b是本发明训练过程中分类准确率的性能曲线示意图;
图6是本发明混淆矩阵的示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明的技术方案,提供了一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置。
第一方面,本发明的技术方案,提供了一种基于变电站开关柜设备的状态在线监测系统装置,具体包括:数据感知模块、数据采集模块、数据处理模块以及结果显示模块。系统装置框架示意见图2。
其中,数据感知模块被用来采集目标设备的声学信号,数据采集模块被用来处理原始声学信号数据,具体包括收集所述数据感知模块获得的声学信号并进行信号放大,ADC采集和信号存储,并将数据传送至所述数据分析模块。
其中,数据处理模块被用来处理、计算声学数据。首先利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;然后,将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;最后,基于计算高效、训练鲁棒性强的残差神经网络实现开关柜设备运行状态的可靠预警。
其中,存储介质单元被用来存储计算机程序,该程序被数据处理单元用来执行本文所提在线监测方法的相关步骤。
其中,结果显示模块被用来显示开关柜设备当前状态的色度矩阵、色度图像以及色度比对预警结果的输出。
第二方面,本发明的技术方案,提供了一种基于变电站开关柜设备的状态在线监测方法,该方法包括:利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;实现数据的频谱域-音高域映射及其归一化处理;二维色度图像的输出与历史正常色度图像的比对,建立针对于开关柜设备的异常状态预警图谱集;借助残差神经网络实现开关柜设备运行状态辨识与预警。其基于变电站开关柜设备的状态在线监测方法的具体步骤见图1中所示。
具体的,本发明的实施步骤分三步实现开关柜设备运行状态的识别与预警,具体步骤如下:
1)首先,利用短时分数阶傅里叶变换将开关柜设备的声学信号y={y1,y2,…yn}进行时-频域的转换:
式中,F(t,u)表示短时分数阶傅里叶变换后的信号,t表示时间,u表示未知量,表示窗函数,K(τ,u)表示核函数,τ表示时间间隔。
2)然后,将得到的数据由频谱域映射至音高域,其计算公式如下:
式中,p表示音高,与频率f的关系为p=69+12log2(f/440),k∈[0,N-1]表示频率分量的索引个数,N表示声学信号长度。
进一步地,可得到色度向量Xve:
式中,c表示变量,Xve(c)表示每一个音阶分量所属频率带的能量大小,mod表示余数计算,{p∈[0,127];p mod 12=c}意为音高p是一个介于0到127之间的整数,c是一个介于0到11之间的整数,且p除以12的余数等于c。
进一步地,对色度向量Xve进行归一化处理,可得:
Xnorm(c)=Xve(c)/max(Xve(c)) (4)
进一步地,将其与历史正常数据得到的色度图像进行比对,具体公式如下:
Xew=||Xa-Xn||2/||Xn||2 (5)
式中,Xew表示预警比对二维矩阵,Xn表示历史正常数据的色度矩阵,Xa表示实时采集信号转换得到的色度矩阵。
3)最后,利用学习性能出色的残差神经网络以实现比对色度图像的有效辨识。残差网络映射层F可定义为:
F=W1σ(W2x) (6)
式中,x为输入特征信息,σ为修正函数,W1、W2分别为前后特征层的权重信息。
第三方面,本发明的技术方案,提供一种计算机设备,包括存储模块和处理模块,该存储模块存储有计算机程序,该处理模块执行该计算机程序时实现上述第二方面任一所述的开关柜设备的状态监测方法。
第四方面,本发明的技术方案,提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理模块执行时实现上述第二方面任一所述的开关柜设备的状态监测方法。
第三、四方面的示意简图见图3中所示。
实施例:
为凸显本发明方法的优越性,针对某组实测数据进行了比对,该组数据包括了开关柜设备的正常-机械异常状态比对、正常-放电异常状态比对的色度图像,结果如图4a及图4b所示。
由图4a所示可知,开关柜设备的正常-机械异常状态色度比对图像的能量主要集中在4-12阶,呈现广域分布的特点;由图4b所示可知,开关柜设备的正常-放电异常状态色度比对图像的能量主要集中在5-6、7-9和10-11阶,呈现间断分布的特点。
采用本发明技术方案进行的残差神经网络训练,其残差神经网络训练过程中的性能曲线如图5a和图5b中所示。
其中,图5a中曲线表示分类准确率的变化,图5b中曲线表示对应的损失函数值。
结果表明,损失函数在经过130次迭代后就能快速达到稳定值。对应的分类准确率也在迭代130次后达到稳定,其分类准确率几乎达到100%。
此外,稳了验证本发明技术方案的有效性和可靠性,引入混淆矩阵进行分类效果的定量评价,如图6与表1所示,即为利用本发明技术方案所述方法得到的混淆矩阵计算结果。
表1评价参数表
图6中混淆矩阵的对角线分别表示利用所提方法对于每种状态的正确识别样本数。
结合图6和表1可知,在全部400个测试集中只有3个被错误分类,测试样本集的分类正确率为99.3%。由表1可知,本发明技术方案所述方法的平均状态识别精度、召回率和F1值分别为0.99、0.99和0.99,这一结果表明本发明技术方案所述的在线监测方法,具备良好的分类性能,证明了本发明技术方案所述方法的有效性与可靠性。
本发明的技术方案,首先利用声学传感器采集得到开关柜设备原始的时域声学信号,再借助高分辨率的短时分数阶傅里叶变换实现开关柜时域声学信号的时-频域转换;然后将得到的数据由频谱域映射至音高域,并对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;最后基于计算高效、训练鲁棒性强的残差神经网络,实现了开关柜设备运行状态的可靠预警。其计算高效、结果准确,得到的比对色度图谱包含了丰富的开关柜设备状态信息,为开关柜设备的状态辨识与缺陷预警提供了可靠的数据与技术支撑。
本发明可广泛用于开关柜设备的运行监控领域。
Claims (10)
1.一种基于变电站开关柜设备的在线监测方法,包括利用声学传感器采集得到开关柜设备原始的时域声学信号,其特征是:
1)借助短时分数阶傅里叶变换实现开关柜时域声学信号的时-频域转换;
2)将得到的数据由频谱域映射至音高域;
3)对映射结果进行归一化处理,得到相应状态下的二维色度图像;
4)通过采集变电站开关柜设备正常运行状态下的时域声学信号,构建变电站开关柜设备正常运行状态下的色度图像集;
5)将不同状态下的二维色度图像与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;
6)基于残差神经网络实现开关柜设备运行状态的可靠预警。
2.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是所述步骤1)中的时-频域转换包括:利用短时分数阶傅里叶变换,将开关柜设备的声学信号y={y1,y2,…yn}进行时-频域的转换:
式中,F(t,u)表示短时分数阶傅里叶变换后的信号,t表示时间,u表示未知量,表示窗函数,K(τ,u)表示核函数,τ表示时间间隔。
3.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是在所述步骤2)中,将得到的数据由频谱域映射至音高域,其映射计算公式如下:
式中,p表示音高,与频率f的关系为p=69+12log2(f/440),k∈[0,N-1]表示频率分量的索引个数,N表示声学信号长度。
4.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是在所述步骤3)中,可得到色度向量Xve:
式中,c表示变量,Xve(c)表示每一个音阶分量所属频率带的能量大小,mod表示余数计算,{p∈[0,127];p mod 12=c}意为音高p是一个介于0到127之间的整数,c是一个介于0到11之间的整数,且p除以12的余数等于c;
在所述步骤3)中,对色度向量Xve进行归一化处理,可得:
Xnorm(c)=Xve(c)/max(Xve(c))。
5.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是所述步骤5)中的将不同状态下的二维色度图像与历史正常数据得到的色度图像进行比对,其比对的具体公式如下:
Xew=||Xa-Xn||2/||Xn||2
式中,Xew表示预警比对二维矩阵,Xn表示历史正常数据的色度矩阵,Xa表示实时采集信号转换得到的色度矩阵。
6.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是所述的残差网络映射层F定义为:
F=W1σ(W2x)
式中,x为输入特征信息,σ为修正函数,W1、W2分别为前后特征层的权重信息。
7.按照权利要求1所述的基于变电站开关柜设备的在线监测方法,其特征是所述开关柜设备的不同状态,至少包括变电站开关柜设备的机械状态是否正常,以及变电站开关柜设备是否存在放电状态。
8.一种采用权利要求1所述方法的基于变电站开关柜设备的状态在线监测系统装置,其特征是具体包括:
数据感知模块、数据采集模块、数据处理模块以及结果显示模块;
其中,数据感知模块被用来采集目标设备的声学信号;
数据采集模块被用来处理原始声学信号数据,具体包括收集所述数据感知模块获得的声学信号并进行信号放大,ADC采集和信号存储,并将数据传送至所述数据处理模块;
数据处理模块被用来处理、计算声学数据;首先利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;然后,将得到的数据由频谱域映射至音高域,对映射结果进行归一化处理,得到相应状态下的二维色度图像,并将其与历史正常数据得到的色度图像进行比对,进而建立针对于开关柜设备的异常状态预警图谱集;最后,基于计算高效、训练鲁棒性强的残差神经网络实现开关柜设备运行状态的可靠预警;
结果显示模块被用来显示开关柜设备当前状态的色度矩阵、色度图像以及色度比对预警结果的输出。
9.一种采用权利要求1至权利要求7之任一所述方法工作的计算机设备,包括存储模块和处理模块,其存储模块存储有计算机程序,其特征是:
所述处理模块执行计算机程序时,利用短时分数阶傅里叶变换实现声学信号的时域—频域转换;实现数据的频谱域-音高域映射及其归一化处理;二维色度图像的输出与历史正常色度图像的比对,建立针对于开关柜设备的异常状态预警图谱集;借助残差神经网络实现开关柜设备运行状态辨识与预警。
10.一种用于存储权利要求1至权利要求7之任一所述方法的计算机可读存储介质,其特征是:
所述的计算机可读存储介质上存储有计算机程序,该计算机程序被处理模块执行时,用于实现权利要求1至权利要求7之任一所述的开关柜设备的状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404825.9A CN116977267A (zh) | 2023-04-14 | 2023-04-14 | 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404825.9A CN116977267A (zh) | 2023-04-14 | 2023-04-14 | 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977267A true CN116977267A (zh) | 2023-10-31 |
Family
ID=88483860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404825.9A Pending CN116977267A (zh) | 2023-04-14 | 2023-04-14 | 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977267A (zh) |
-
2023
- 2023-04-14 CN CN202310404825.9A patent/CN116977267A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
CN109581270B (zh) | 基于小波多尺度变换快速辨识cvt故障的方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
Zhong et al. | Mechanical defect identification for gas‐insulated switchgear equipment based on time‐frequency vibration signal analysis | |
CN109932053A (zh) | 一种用于高压并联电抗器的状态监测装置及方法 | |
CN112560888B (zh) | 基于辛几何变换评估变压器绕组抗短路能力的方法及系统 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
CN111638047A (zh) | 一种gis设备机械故障诊断系统及方法 | |
CN116977267A (zh) | 一种基于变电站开关柜设备的在线监测方法、存储介质及电子装置 | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN115293303B (zh) | 一种高压输电线网监测方法、系统、设备和介质 | |
CN114970610A (zh) | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 | |
CN114994587B (zh) | 一种局部放电检测仪器抗干扰性能量化评价方法 | |
Li et al. | A robust classification method for power transformer status recognition based on sound signals | |
CN113610020A (zh) | 一种基于fft及小波包算法实现变压器振动原因的识别方法 | |
CN105699883A (zh) | 一种模拟电路健康预测方法 | |
CN112710972A (zh) | Gis触头接触不良故障诊断方法、装置、系统及存储介质 |
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 |