CN117199844A - 一种具有智能测温功能的线夹系统 - Google Patents
一种具有智能测温功能的线夹系统 Download PDFInfo
- Publication number
- CN117199844A CN117199844A CN202311457381.1A CN202311457381A CN117199844A CN 117199844 A CN117199844 A CN 117199844A CN 202311457381 A CN202311457381 A CN 202311457381A CN 117199844 A CN117199844 A CN 117199844A
- Authority
- CN
- China
- Prior art keywords
- temperature
- wire clamp
- module
- risk
- scheme
- 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
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012502 risk assessment Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000009413 insulation Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 75
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 35
- 238000010276 construction Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 18
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 229910000851 Alloy steel Inorganic materials 0.000 claims description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000001744 unit root test Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种具有智能测温功能的线夹系统,用于设备与电缆连接领域,该系统包括:预绝缘设备线夹、测温主机及云平台;预绝缘设备线夹,用于利用内置的测温传感器进行线夹本体的测温,并将温度数据以无线信号传输到测温主机;测温主机,用于接收从预绝缘设备线夹发送的温度数据;云平台,用于对温度数据进行实时监测,同时对历史温度数据进行分析。本发明考虑了风险发生概率和严重程度两个因素,评估更全面;运用矩阵运算表示风险量,使风险计算更科学化,选取能反映风险的关键指标,使评估更有针对性。
Description
技术领域
本发明涉及设备与电缆连接领域,具体来说,尤其涉及一种具有智能测温功能的线夹系统。
背景技术
变压器是电力系统的关键设备,起着调节电压、连接不同电网的作用,对电网供电的稳定性和安全性至关重要。设备线夹是连接变压器和电力线缆的关键部件,用于实现电气连接和机械固定。线夹的工作状态直接影响电力传输的可靠性。线夹的工作温度是重要的状态参数。线夹过热会导致连接点故障,进而引起事故。因此需要对线夹温度进行监测。目前线夹温度监测存在装置外露、抗干扰性差等问题,导致监测数据不准确,影响线夹状态判断。外露的监测装置也容易因环境因素老化,导致线夹的温度监测功能失效。
此外,现有技术中线夹使用过程中存在一定的异常风险,如过热、断裂等,但这些风险难以直接测量和判断,不同的线夹类型和使用方案,其异常风险大小也有差异,传统经验判断存在局限性,无法直观地对比不同线夹方案的风险程度,无法选择合理的低风险方案,无法进行风险等级划分,也就无法进行差异化风险控制,无法评估线夹新方案的风险水平,存在安全隐患。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出一种具有智能测温功能的线夹系统,目的在于解决线夹使用过程中存在一定的异常风险,如过热、断裂等,但这些风险难以直接测量和判断,不同的线夹类型和使用方案,其异常风险大小也有差异,传统经验判断存在局限性,无法直观地对比不同线夹方案的风险程度的问题。
为此,本发明采用的具体技术方案如下:
一种具有智能测温功能的线夹系统,该系统包括:预绝缘设备线夹、测温主机及云平台;
预绝缘设备线夹与测温主机连接,测温主机与云平台连接;
预绝缘设备线夹,用于利用内置的测温传感器进行线夹本体的测温,并将温度数据以无线信号传输到测温主机;
测温主机,用于接收从预绝缘设备线夹发送的温度数据;
云平台,用于对温度数据进行实时监测,同时对历史温度数据进行分析。
可选地,预绝缘设备线夹由线夹本体、测温传感器及合金钢带构成;
线夹本体的内部设置有测温传感器,测温传感器的一端外侧套设有合金钢带。
可选地,测温主机由无线蓝牙模块、物联网模块接口、电源接口、蓝牙天线及测温天线构成;
无线蓝牙模块的顶端两侧分别与蓝牙天线及测温天线连接,无线蓝牙模块的两侧分别设置有物联网模块接口及电源接口。
可选地,云平台包括数据采集模块、数据特征分析模块、模型构建模块、方案评估模块、风险评估模块、方案推荐模块、方案传输模块及可视化展示模块;
数据采集模块通过数据特征分析模块与模型构建模块连接,模型构建模块通过方案评估模块与风险评估模块连接,风险评估模块通过方案推荐模块与方案传输模块连接,方案传输模块与可视化展示模块连接;
数据采集模块,用于采集和存储实时温度数据与历史温度数据,并构建温度曲线;
数据特征分析模块,通过对温度曲线进行分析,并提取温度曲线的特征数据;
模型构建模块,根据温度曲线的特征数据建立温度预测模型和异常检测模型;
方案评估模块,用于依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势;
风险评估模块,用于依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险;
方案推荐模块,用于结合线夹本体使用方案的温升趋势和异常风险的评估结果,推荐在预期温升最低及异常风险最小的线夹本体使用方案;
方案传输模块,用于根据选择后的线夹本体使用方案调整线夹本体的工作参数和工作状态;
可视化展示模块,用于提供数据输入与输出的可视化展示界面。
可选地,数据特征分析模块通过对温度曲线进行分析,并提取温度曲线的特征数据时包括:
对采集的历史温度数据进行排序,构建温度时间序列;
检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列;
对平稳序列进行自相关分析,获取序列相关性和周期性特征;
对平稳序列进行频域分析,获取序列的频率成分;
构建温度时间序列预测模型,并利用实时温度数据对时间序列预测模型的预测效果进行验证;
根据验证的结果,并基于序列相关性、周期性特征和频率成分来分析温度时间序列的趋势、周期性和随机性特征,并获取温度曲线的特征数据。
可选地,检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列包括:
S11、绘制温度时间序列的时间图,观察曲线特征;
S12、计算温度时间序列的自相关函数,若自相关函数在滞后期衰减缓慢,则初步判断为非平稳序列;
S13、对初步判断为非平稳序列进行单位根检验,若无法拒绝单位根的存在,则证明初步判断为非平稳序列是非平稳序列;
S14、对非平稳序列进行差分操作;
S15、对差分后的序列,重复执行S12-S13的步骤,直至得到平稳序列为止;
S16、将最终的差分次数作为判断序列平稳程度的依据;
其中,差分操作包括一次差分和多次差分;
一次差分,用于计算非平稳序列相邻点之间的差值,消除趋势项;
多次差分,用于对一次差分后仍是非平稳序列的进行多阶差分。
可选地,模型构建总模块包括:温度时间序列预测模型构建模块、温度时间序列预测模型优化模块、异常检测模型构建模块及异常模型优化模块;
温度时间序列预测模型构建模块通过温度时间序列预测模型优化模块与异常检测模型构建模块连接,异常检测模型构建模块与异常模型优化模块连接;
温度时间序列预测模型构建模块,用于收集温度时间序列的特征数据,并使用特征数据构建温度时间序列预测模型;
温度时间序列预测模型优化模块,配置温度时间序列预测模型的参数,并对温度时间序列预测模型进行优化训练;
异常检测模型构建模块,使用特征数据训练异常时间序列检测算法,获得异常检测模型;
异常模型优化模块,用于配置异常检测模型的参数,使用新收集的温度时间序列数据进行增量训练。
可选地,方案评估模块依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势时包括:
收集不同线夹本体使用方案的参数数据,参数数据至少包括线夹本体类型、承载电流及工作环境;
将线夹本体类型、承载电流及工作环境的参数数据输入优化训练后的温度时间序列预测模型中,并生成各线夹本体使用方案对应的温度预测结果;
根据温度预测结果,确定各线夹本体使用方案的温度范围和变化趋势,并建立蒙特卡洛温升仿真模型,设置模拟中的线夹本体材料特性参数;
将各线夹本体使用方案中的工作参数输入到蒙特卡洛仿真模型中;
运行蒙特卡洛温升仿真模型,根据线夹本体材料特性和工作参数,计算模拟线夹本体在不同使用方案下的温升情况,得到温升曲线结果。
可选地,风险评估模块依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险时包括:
确定线夹本体使用过程中的异常风险类型;
选择与异常风险类型相关的评价指标;
对每个评价指标设置异常风险阈值;
计算各方案参数与风险阈值的差值,作为异常风险概率;
构建异常风险量评估矩阵;
根据异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型;
应用风险等级模型计算各方案的实时异常风险等级;
根据风险等级,将方案划分到不同风险等级对应的分区;
其中,确定线夹本体使用过程中的异常风险类型包括:
根据历史线夹使用数据和专家经验,确定线夹使用过程中的异常风险类型;
选择与确定的异常风险类型相关的线夹评价指标;
针对选择的线夹评价指标设置异常风险的阈值,计算指标值与风险阈值的差值作为风险概率;
在每个异常风险类型相关的评价指标中,选择风险概率最高的作为该风险类型的发生概率。
可选地,所述风险量评估矩阵的表达式为:
;
式中,为风险量评估矩阵;
为对线夹本体中风险类型的可控性评估矩阵;
为对线夹本体中风险类型发生概率的评估;
为线夹本体中风险类型严重性的评估;
为常规状态下风险类型发生概率的评估。
相较于现有技术,本申请具有以下有益效果:
1、本发明可以检测出温度时间序列中的趋势、周期性和随机性,了解温度变化规律,通过差分操作可以消除非平稳性,使序列平稳化,便于后续建模,自相关分析可以发现温度序列内在的相关性和周期模式,频域分析可以判断主要的频率成分,是周期性分析的补充,构建时间序列预测模型,可以验证特征提取的有效性,综合时域、频域分析以及模型预测,可以全面判断序列特征,获得温度曲线的主要统计特征,为构建温度预测模型和异常检测模型提供支持,分析过程兼顾了时间域、频域和预测模型三个方面,综合性强。
2、本发明结合了数学模型预测和随机模拟,评估结果更全面可靠;温度预测模型可以快速预测温升趋势,蒙特卡洛仿真可以详细模拟温度场演变,两者优势互补;蒙特卡洛方法可以考虑各种随机因素对温升的影响,评估温升不确定性;可以建立多物理场耦合的精确仿真模型,使结果更准确,通过参数灵敏度分析,可以发现温升的关键影响因素,采用各种统计分析方法,可以深入挖掘仿真结果,获得温升规律,两种方法的结合,可以实现对温升趋势和不确定性的全面评估,为后续的优化方案选择提供了更丰富的分析依据,评估过程更科学系统,结果更可靠,有利于选择优化的线夹使用方案。
3、本发明考虑了风险发生概率和严重程度两个因素,评估更全面;运用矩阵运算表示风险量,使风险计算更科学化,选取能反映风险的关键指标,使评估更有针对性,利用混淆矩阵等评估模型效果,使结果更可靠,风险等级模型考虑了风险的层级概念,评估更细致,风险等级模型充分考虑随机因素,使结果符合实际,评估结果直观,便于进行风险分区管理。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的一种具有智能测温功能的线夹系统的原理框图;
图2是根据本发明实施例的一种具有智能测温功能的线夹系统中预绝缘设备线夹的结构示意图;
图3是根据本发明实施例的一种具有智能测温功能的线夹系统中测温主机的结构示意图;
图4是根据本发明实施例的一种具有智能测温功能的线夹系统中云平台的原理框图。
图中:
1、预绝缘设备线夹;11、线夹本体;12、测温传感器;13、合金钢带;2、测温主机;21、无线蓝牙模块;22、物联网模块接口;23、电源接口;24、蓝牙天线;25、测温天线;3、云平台;31、数据采集模块;32、数据特征分析模块;33、模型构建模块;34、方案评估模块;35、风险评估模块;36、方案推荐模块;37、方案传输模块;38、可视化展示模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
根据本发明的实施例,提供了一种具有智能测温功能的线夹系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的具有智能测温功能的线夹系统,该系统包括:预绝缘设备线夹1、测温主机2及云平台3;
预绝缘设备线夹1通过无线信号与测温主机2连接,测温主机2通过导线连接物联网模块并与云平台3连接;
预绝缘设备线夹1,用于利用内置的测温传感器进行线夹本体的测温,并将温度数据以无线信号传输到测温主机。
优选地,如图2所示,预绝缘设备线夹1由线夹本体11、测温传感器12及合金钢带13构成;
线夹本体11的内部设置有测温传感器12,测温传感器12的一端外侧套设有合金钢带13。
测温主机2,用于接收从预绝缘设备线夹发送的温度数据。
优选地,如图3所示,测温主机2由无线蓝牙模块21、物联网模块接口22、电源接口23、蓝牙天线24及测温天线25构成;
无线蓝牙模块21的顶端两侧分别与蓝牙天线24及测温天线25连接,无线蓝牙模块的两侧分别设置有物联网模块接口及电源接口。
云平台3,用于对温度数据进行实时监测,同时对历史温度数据进行分析。
优选地,如图4所示,云平台3包括数据采集模块31、数据特征分析模块32、模型构建模块33、方案评估模块34、风险评估模块35、方案推荐模块36、方案传输模块37及可视化展示模块38;
数据采集模块31通过数据特征分析模块32与模型构建模块33连接,模型构建模块33通过方案评估模块34与风险评估模块35连接,风险评估模块35通过方案推荐模块36与方案传输模块37连接,方案传输模块37与可视化展示模块38连接;
数据采集模块31,用于采集和存储实时温度数据与历史温度数据,并构建温度曲线。
需要解释说明的是,数据采集模块可以通过传感器采集实时温度数据,也可以从历史数据库或数据仓库中提取历史温度数据;采集方法包括串口采集、网络数据采集、数据库读取等,除了温度数据外,还可以根据需求采集其他相关数据,如负载电流、环境湿度等参数;这可以提供更全面的分析支持,对采集到的数据进行校验、清洗、去噪、补全等预处理,提高后续分析的质量,可以建立自动化的调度程序,以固定间隔进行数据采集,并监控采集状态。
数据特征分析模块32,通过对温度曲线进行分析,并提取温度曲线的特征数据。
优选地,数据特征分析模块32通过对温度曲线进行分析,并提取温度曲线的特征数据时包括。
对采集的历史温度数据进行排序,构建温度时间序列;
检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列;
对平稳序列进行自相关分析,获取序列相关性和周期性特征;
对平稳序列进行频域分析,获取序列的频率成分;
构建温度时间序列预测模型,并利用实时温度数据对时间序列预测模型的预测效果进行验证;
根据验证的结果,并基于序列相关性、周期性特征和频率成分来分析温度时间序列的趋势、周期性和随机性特征,并获取温度曲线的特征数据。
优选地,检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列包括:
S11、绘制温度时间序列的时间图,观察曲线特征;
S12、计算温度时间序列的自相关函数,若自相关函数在滞后期衰减缓慢,则初步判断为非平稳序列;
S13、对初步判断为非平稳序列进行单位根检验,若无法拒绝单位根的存在,则证明初步判断为非平稳序列是非平稳序列;
S14、对非平稳序列进行差分操作;
S15、对差分后的序列,重复执行S12-S13的步骤,直至得到平稳序列为止;
S16、将最终的差分次数作为判断序列平稳程度的依据;
其中,差分操作包括一次差分和多次差分;
一次差分,用于计算非平稳序列相邻点之间的差值,消除趋势项;
多次差分,用于对一次差分后仍是非平稳序列的进行多阶差分。
一次差分的计算公式为:ΔYt=Yt-Yt-1;
一次差分的效果是消除时间序列的线性趋势,因为线性趋势形如Yt=a+bt,通过差分,常数项a会被消除,只保留变化量bt。
当时间序列存在高阶趋势时,如二次趋势、指数趋势等,一次差分无法完全消除。
这时需要进行二次差分、三次差分甚至更高阶差分。计算公式为:
二次差分:Δ2Yt=ΔYt-ΔYt-1;
三次差分:Δ3Yt=Δ2Yt-Δ2Yt-1;
式中,ΔYt为当前点与上一点的差值;
Yt为时间序列在当前时间点t的观测值;
Yt-1为时间序列在前一时间点t-1的观测值;
ΔY3为第3个时间点Y3与第2个时间点Y2的差值,其中时间序列{Y1,Y2,Y3,Y4,...};
Δ2Yt为时间序列在时刻t的二阶差分值;
ΔYt-1为时间序列在时刻t-1的一阶差分值;
Δ2Yt-1为时间序列在时刻t-1的二阶差分值。
需要解释说明的是,时间序列是按时间顺序收集的一系列数据点的集合,它反映了研究对象随时间变化的规律,因为大多数分析方法要求时间序列平稳,所以需要进行平稳性检查,如绘制时间图、计算自相关系数等方法。如果原序列不平稳,通过计算序列相邻点差值,可以消除时间序列的趋势和周期,得到平稳序列;计算时间序列的自相关函数,可以检查序列相关性,发现序列周期性模式;分析时间序列在频域的特征,找到主要频率成分;平稳性检查中的单位根检验和差分操作迭代,可以找到合适的差分次数,从而达到平稳。
模型构建模块33,根据温度曲线的特征数据建立温度预测模型和异常检测模型。
优选地,模型构建模块33包括:温度时间序列预测模型构建模块、温度时间序列预测模型优化模块、异常检测模型构建模块及异常模型优化模块;
温度时间序列预测模型构建模块通过温度时间序列预测模型优化模块与异常检测模型构建模块连接,异常检测模型构建模块与异常模型优化模块连接;
温度时间序列预测模型构建模块,用于收集温度时间序列的特征数据,并使用特征数据构建温度时间序列预测模型;
温度时间序列预测模型优化模块,配置温度时间序列预测模型的参数,并对温度时间序列预测模型进行优化训练;
异常检测模型构建模块,使用特征数据训练异常时间序列检测算法,获得异常检测模型;
异常模型优化模块,用于配置异常检测模型的参数,使用新收集的温度时间序列数据进行增量训练。
需要解释说明的是,构建温度预测模型的目的:预测未来一段时间内的温度变化趋势,为线夹的使用提供温度变化参考。其效果是为了提高了对温度变化的预见性和可控性。
构建异常检测模型的目的:实时监测温度时间序列,发现异常温度变化,对线夹过热风险进行预警。其效果是为了降低了线夹过热损坏的风险,提高了系统可靠性
两种模型的联合应用效果:温度预测结果可以验证异常检测的准确性,异常检测可以发现预测的盲区,结合两种模型实现对温升趋势和风险的全面评估和控制,使线夹的温度控制更加智能化和精细化。
方案评估模块34,用于依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势。
优选地,方案评估模块34依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势时包括:
收集不同线夹本体使用方案的参数数据,参数数据至少包括线夹本体类型、承载电流及工作环境;
将线夹本体类型、承载电流及工作环境的参数数据输入优化训练后的温度时间序列预测模型中,并生成各线夹本体使用方案对应的温度预测结果;
根据温度预测结果,确定各线夹本体使用方案的温度范围和变化趋势,并建立蒙特卡洛温升仿真模型,设置模拟中的线夹本体材料特性参数;
将各线夹本体使用方案中的工作参数输入到蒙特卡洛仿真模型中;
运行蒙特卡洛温升仿真模型,根据线夹本体材料特性和工作参数,计算模拟线夹本体在不同使用方案下的温升情况,得到温升曲线结果。
需要解释说明的是,蒙特卡洛方法是一种随机模拟技术,通过重复随机采样和统计分析来解决问,本发明用于温升仿真,蒙特卡洛温升模型中考虑热传导方程和热对流方程,设置材料热参数,模拟温度场的演变,调研确定线夹材料的参数范围,并进行灵敏度分析,确定关键参数,采用统计分析、回归分析等方法分析蒙特卡洛模拟结果,获得温升规律,预测结果存在不确定性,蒙特卡洛方法可以评估不确定性的影响,考虑电磁-热场多物理场耦合仿真,建立更精确的模型。
风险评估模块35,用于依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险。
优选地,风险评估模块35依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险时包括:
确定线夹本体使用过程中的异常风险类型;
选择与异常风险类型相关的评价指标;
对每个评价指标设置异常风险阈值;
计算各方案参数与风险阈值的差值,作为异常风险概率;
构建异常风险量评估矩阵;
根据异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型;
应用风险等级模型计算各方案的实时异常风险等级;
根据风险等级,将方案划分到不同风险等级对应的分区;
其中,确定线夹本体使用过程中的异常风险类型包括:
根据历史线夹使用数据和专家经验,确定线夹使用过程中的异常风险类型;
选择与确定的异常风险类型相关的线夹评价指标;
针对选择的线夹评价指标设置异常风险的阈值,计算指标值与风险阈值的差值作为风险概率;
在每个异常风险类型相关的评价指标中,选择风险概率最高的作为该风险类型的发生概率。
优选地,所述风险量评估矩阵的表达式为:
;
式中,为风险量评估矩阵;
为对线夹本体中风险类型的可控性评估矩阵;
为对线夹本体中风险类型发生概率的评估;
为线夹本体中风险类型严重性的评估;
为常规状态下风险类型发生概率的评估。
需要解释说明的是,风险矩阵考虑风险发生概率和严重程度,可以采用矩阵运算表示风险量,择能够全面反映风险的关键指标,并确定合理的量化方法,利用混淆矩阵的评估风险模型的效果,并进行错误分析,采用均匀划分或根据风险值分布状况进行非均匀划分。
此外,风险等级模型的表达式为:
;
式中,为风险等级;
为线夹本体中风险类型的不同层级;
为最低层级;
表示最高层级;
为随机函数;
为线夹本体风险类型的损害性评估参数;
e表示线夹本体风险类型评估的标准差。
方案推荐模块36,用于结合线夹本体使用方案的温升趋势和异常风险的评估结果,推荐在预期温升最低及异常风险最小的线夹本体使用方案。
需要解释说明的是,收集方案评估模块和风险评估模块产生的评估结果数据;对温升趋势评估结果和异常风险评估结果进行标准化处理;利用多属性决策方法,对标准化后的评估结果进行整合;构建温升趋势权重和异常风险权重,反映不同评估结果的重要性;计算每个线夹使用方案的综合评分,得到评分排序。根据评分结果,确定综合评分最高,即温升趋势最小和异常风险最小的优化方案;将优化推荐的线夹使用方案输出给方案传输模块;考虑引入模型预测不确定性,采用置信度评价方案的稳定性。
方案传输模块37,用于根据选择后的线夹本体使用方案调整线夹本体的工作参数和工作状态。
需要解释说明的是,接收方案推荐模块输出的优化线夹使用方案;解析使用方案,得到线夹的具体工作参数,如工作电流、环境温度等;制定方案实施计划,明确参数调整的顺序、幅度和时间节点;连接线夹控制系统,根据计划逐步调整线夹工作参数;监控线夹在新参数下的运行状况,跟踪参数调整对温度的影响;若出现异常,启用快速回退机制,将参数调整回退到上一安全状态;收集线夹在新方案下的运行数据,为方案优化提供反馈;通过云平台远程监控方案实施和线夹运行状态;考虑线夹控制的故障容错与冗余设计,提高可靠性;方案调整完成后,评估新方案的实施效果。
可视化展示模块38,用于提供数据输入与输出的可视化展示界面。
需要解释说明的是,收集各模块的输入数据和输出结果;根据不同数据类型,选择合适的可视化图表,如折线图、散点图、热力图等;设计交互式的可视化页面,包含数据概览、模块详情等部分;构建查询过滤功能,允许按时间、条件等过滤数据;实现鼠标悬停提示、缩放平移等交互功能,方便用户操作;采用前端框架,开发模块化、响应式的可视化页面;展示实时数据变化,采用动画、定时刷新等方式;允许用户自定义个性化的展示样式;支持将展示结果生成报表,并可以导出数据。采用分布式系统构建可视化平台,确保扩展性。
综上所述,借助于本发明的上述技术方案,本发明可以检测出温度时间序列中的趋势、周期性和随机性,了解温度变化规律,通过差分操作可以消除非平稳性,使序列平稳化,便于后续建模,自相关分析可以发现温度序列内在的相关性和周期模式,频域分析可以判断主要的频率成分,是周期性分析的补充,构建时间序列预测模型,可以验证特征提取的有效性,综合时域、频域分析以及模型预测,可以全面判断序列特征,获得温度曲线的主要统计特征,为构建温度预测模型和异常检测模型提供支持,分析过程兼顾了时间域、频域和预测模型三个方面,综合性强;本发明结合了数学模型预测和随机模拟,评估结果更全面可靠;温度预测模型可以快速预测温升趋势,蒙特卡洛仿真可以详细模拟温度场演变。两者优势互补;蒙特卡洛方法可以考虑各种随机因素对温升的影响,评估温升不确定性;可以建立多物理场耦合的精确仿真模型,使结果更准确,通过参数灵敏度分析,可以发现温升的关键影响因素,采用各种统计分析方法,可以深入挖掘仿真结果,获得温升规律,两种方法的结合,可以实现对温升趋势和不确定性的全面评估,为后续的优化方案选择提供了更丰富的分析依据,评估过程更科学系统,结果更可靠,有利于选择优化的线夹使用方案;本发明考虑了风险发生概率和严重程度两个因素,评估更全面;运用矩阵运算表示风险量,使风险计算更科学化,选取能反映风险的关键指标,使评估更有针对性。利用混淆矩阵等评估模型效果,使结果更可靠,风险等级模型考虑了风险的层级概念,评估更细致,风险等级模型充分考虑随机因素,使结果符合实际,评估结果直观,便于进行风险分区管理。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (10)
1.一种具有智能测温功能的线夹系统,其特征在于,该系统包括:预绝缘设备线夹、测温主机及云平台;
所述预绝缘设备线夹与所述测温主机连接,所述测温主机与所述云平台连接;
所述预绝缘设备线夹,用于利用内置的测温传感器进行线夹本体的测温,并将温度数据以无线信号传输到测温主机;
所述测温主机,用于接收从预绝缘设备线夹发送的温度数据;
所述云平台,用于对温度数据进行实时监测,同时对历史温度数据进行分析。
2.根据权利要求1所述的一种具有智能测温功能的线夹系统,其特征在于,所述预绝缘设备线夹由线夹本体、测温传感器及合金钢带构成;
所述线夹本体的内部设置有测温传感器,所述测温传感器的一端外侧套设有所述合金钢带。
3.根据权利要求2所述的一种具有智能测温功能的线夹系统,其特征在于,所述测温主机由无线蓝牙模块、物联网模块接口、电源接口、蓝牙天线及测温天线构成;
所述无线蓝牙模块的顶端两侧分别与所述蓝牙天线及所述测温天线连接,所述无线蓝牙模块的两侧分别设置有所述物联网模块接口及所述电源接口。
4.根据权利要求3所述的一种具有智能测温功能的线夹系统,其特征在于,所述云平台包括数据采集模块、数据特征分析模块、模型构建模块、方案评估模块、风险评估模块、方案推荐模块、方案传输模块及可视化展示模块;
所述数据采集模块通过所述数据特征分析模块与所述模型构建模块连接,所述模型构建模块通过所述方案评估模块与所述风险评估模块连接,所述风险评估模块通过所述方案推荐模块与所述方案传输模块连接,所述方案传输模块与所述可视化展示模块连接;
所述数据采集模块,用于采集和存储实时温度数据与历史温度数据,并构建温度曲线;
所述数据特征分析模块,通过对温度曲线进行分析,并提取温度曲线的特征数据;
所述模型构建模块,根据温度曲线的特征数据建立温度预测模型和异常检测模型;
所述方案评估模块,用于依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势;
所述风险评估模块,用于依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险;
所述方案推荐模块,用于结合线夹本体使用方案的温升趋势和异常风险的评估结果,推荐在预期温升最低及异常风险最小的线夹本体使用方案;
所述方案传输模块,用于根据选择后的线夹本体使用方案调整线夹本体的工作参数和工作状态;
所述可视化展示模块,用于提供数据输入与输出的可视化展示界面。
5.根据权利要求4所述的一种具有智能测温功能的线夹系统,其特征在于,所述数据特征分析模块通过对温度曲线进行分析,并提取温度曲线的特征数据时包括:
对采集的历史温度数据进行排序,构建温度时间序列;
检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列;
对平稳序列进行自相关分析,获取序列相关性和周期性特征;
对平稳序列进行频域分析,获取序列的频率成分;
构建温度时间序列预测模型,并利用实时温度数据对时间序列预测模型的预测效果进行验证;
根据验证的结果,并基于序列相关性、周期性特征和频率成分来分析温度时间序列的趋势、周期性和随机性特征,并获取温度曲线的特征数据。
6.根据权利要求5所述的一种具有智能测温功能的线夹系统,其特征在于,所述检查温度时间序列的平稳性,并对非平稳温度时间序列进行差分操作,得到平稳序列包括:
S11、绘制温度时间序列的时间图,观察曲线特征;
S12、计算温度时间序列的自相关函数,若自相关函数在滞后期衰减缓慢,则初步判断为非平稳序列;
S13、对初步判断为非平稳序列进行单位根检验,若无法拒绝单位根的存在,则证明初步判断为非平稳序列是非平稳序列;
S14、对非平稳序列进行差分操作;
S15、对差分后的序列,重复执行S12-S13的步骤,直至得到平稳序列为止;
S16、将最终的差分次数作为判断序列平稳程度的依据;
其中,所述差分操作包括一次差分和多次差分;
所述一次差分,用于计算非平稳序列相邻点之间的差值,消除趋势项;
所述多次差分,用于对一次差分后仍是非平稳序列的进行多阶差分。
7.根据权利要求4所述的一种具有智能测温功能的线夹系统,其特征在于,所述模型构建模块包括:温度时间序列预测模型构建模块、温度时间序列预测模型优化模块、异常检测模型构建模块及异常模型优化模块;
所述温度时间序列预测模型构建模块通过所述温度时间序列预测模型优化模块与所述异常检测模型构建模块连接,所述异常检测模型构建模块与所述异常模型优化模块连接;
所述温度时间序列预测模型构建模块,用于收集温度时间序列的特征数据,并使用特征数据构建温度时间序列预测模型;
所述温度时间序列预测模型优化模块,配置温度时间序列预测模型的参数,并对温度时间序列预测模型进行优化训练;
所述异常检测模型构建模块,使用特征数据训练异常时间序列检测算法,获得异常检测模型;
所述异常模型优化模块,用于配置异常检测模型的参数,使用新收集的温度时间序列数据进行增量训练。
8.根据权利要求7所述的一种具有智能测温功能的线夹系统,其特征在于,所述方案评估模块依据温度预测模型生成预测结果,并根据预测结果和蒙特卡洛仿真算法比较不同线夹本体使用方案的温升趋势时包括:
收集不同线夹本体使用方案的参数数据,所述参数数据至少包括线夹本体类型、承载电流及工作环境;
将线夹本体类型、承载电流及工作环境的参数数据输入优化训练后的温度时间序列预测模型中,并生成各线夹本体使用方案对应的温度预测结果;
根据温度预测结果,确定各线夹本体使用方案的温度范围和变化趋势,并建立蒙特卡洛温升仿真模型,设置模拟中的线夹本体材料特性参数;
将各线夹本体使用方案中的工作参数输入到蒙特卡洛仿真模型中;
运行蒙特卡洛温升仿真模型,根据线夹本体材料特性和工作参数,计算模拟线夹本体在不同使用方案下的温升情况,得到温升曲线结果。
9.根据权利要求8所述的一种具有智能测温功能的线夹系统,其特征在于,所述风险评估模块依据异常检测模型构建异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型,并评估各个线夹本体使用方案的异常风险时包括:
确定线夹本体使用过程中的异常风险类型;
选择与异常风险类型相关的评价指标;
对每个评价指标设置异常风险阈值;
计算各方案参数与风险阈值的差值,作为异常风险概率;
构建异常风险量评估矩阵;
根据异常风险量评估矩阵,建立线夹本体使用方案的异常风险等级模型;
应用风险等级模型计算各方案的实时异常风险等级;
根据风险等级,将方案划分到不同风险等级对应的分区;
其中,所述确定线夹本体使用过程中的异常风险类型时包括:
根据历史线夹使用数据和专家经验,确定线夹使用过程中的异常风险类型;
选择与确定的异常风险类型相关的线夹评价指标;
针对选择的线夹评价指标设置异常风险的阈值,计算指标值与风险阈值的差值作为风险概率;
在每个异常风险类型相关的评价指标中,选择风险概率最高的作为该风险类型的发生概率。
10.根据权利要求9所述的一种具有智能测温功能的线夹系统,其特征在于,所述风险量评估矩阵的表达式为:
;
式中,为风险量评估矩阵;
为对线夹本体中风险类型的可控性评估矩阵;
为对线夹本体中风险类型发生概率的评估;
为线夹本体中风险类型严重性的评估;
为常规状态下风险类型发生概率的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311457381.1A CN117199844B (zh) | 2023-11-03 | 2023-11-03 | 一种具有智能测温功能的线夹系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311457381.1A CN117199844B (zh) | 2023-11-03 | 2023-11-03 | 一种具有智能测温功能的线夹系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117199844A true CN117199844A (zh) | 2023-12-08 |
CN117199844B CN117199844B (zh) | 2024-02-13 |
Family
ID=88992726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311457381.1A Active CN117199844B (zh) | 2023-11-03 | 2023-11-03 | 一种具有智能测温功能的线夹系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117199844B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641959A (zh) * | 2021-08-13 | 2021-11-12 | 山东电工电气集团有限公司 | 一种高压电缆接头温度趋势预测方法 |
CN114397041A (zh) * | 2021-12-03 | 2022-04-26 | 中国电力科学研究院有限公司 | 一种耐张线夹温度异常监测方法及系统 |
CN115222295A (zh) * | 2022-09-13 | 2022-10-21 | 北京奥邦体育赛事评估有限责任公司 | 一种基于风险等级模型的体育赛事风险防控方法及系统 |
CN116468422A (zh) * | 2023-03-29 | 2023-07-21 | 国网河南省电力公司电力科学研究院 | 输电线路线夹温升与剩余寿命预测方法及装置 |
-
2023
- 2023-11-03 CN CN202311457381.1A patent/CN117199844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641959A (zh) * | 2021-08-13 | 2021-11-12 | 山东电工电气集团有限公司 | 一种高压电缆接头温度趋势预测方法 |
CN114397041A (zh) * | 2021-12-03 | 2022-04-26 | 中国电力科学研究院有限公司 | 一种耐张线夹温度异常监测方法及系统 |
CN115222295A (zh) * | 2022-09-13 | 2022-10-21 | 北京奥邦体育赛事评估有限责任公司 | 一种基于风险等级模型的体育赛事风险防控方法及系统 |
CN116468422A (zh) * | 2023-03-29 | 2023-07-21 | 国网河南省电力公司电力科学研究院 | 输电线路线夹温升与剩余寿命预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117199844B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11163853B2 (en) | Sensor design support apparatus, sensor design support method and non-transitory computer readable medium | |
Booth et al. | A hierarchical Bayesian framework for calibrating micro-level models with macro-level data | |
Li et al. | New validation metrics for models with multiple correlated responses | |
JP3130931B2 (ja) | 試験サンプルの特性または組成あるいはその両方を推定する方法 | |
JP5510642B2 (ja) | 予測・診断モデルの構築装置 | |
Shamsi et al. | A framework for uncertainty quantification in building heat demand simulations using reduced-order grey-box energy models | |
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
CN107767191A (zh) | 一种基于医药大数据预测药品销售趋势的方法 | |
White et al. | Methodological tools | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
Chen et al. | Integration for degradation analysis with multi-source ADT datasets considering dataset discrepancies and epistemic uncertainties | |
CN117199844B (zh) | 一种具有智能测温功能的线夹系统 | |
Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
CN116842684A (zh) | 电能表及其运行可靠性的评估方法、系统、电能表处理器 | |
Pradlwarter | Relative importance of uncertain structural parameters. Part I: algorithm | |
Rabe et al. | ROC asymmetry is not diagnostic of unequal residual variance in gaussian signal detection theory | |
US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
CN114236272B (zh) | 一种电子产品的智能检测系统 | |
Ling | Uncertainty quantification in time-dependent reliability analysis | |
CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
Liu | Leave-group-out cross-validation for latent Gaussian models | |
CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 |
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 |