CN117254593B - 基于云边协同的电网巡视作业智慧管控平台及其方法 - Google Patents
基于云边协同的电网巡视作业智慧管控平台及其方法 Download PDFInfo
- Publication number
- CN117254593B CN117254593B CN202311248645.2A CN202311248645A CN117254593B CN 117254593 B CN117254593 B CN 117254593B CN 202311248645 A CN202311248645 A CN 202311248645A CN 117254593 B CN117254593 B CN 117254593B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- temperature
- temperature time
- scale
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007689 inspection Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 166
- 230000009467 reduction Effects 0.000 claims description 52
- 238000005070 sampling Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012300 Sequence Analysis Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 239000003638 chemical reducing agent Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement 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
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/024—Means for indicating or recording specially adapted for thermometers for remote indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- H02J13/00001—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 the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于云边协同的电网巡视作业智慧管控平台及其方法，其通过结合云边协同技术，对被监控变压器在预定时间段内多个预定时间点的温度值进行分析，以智能化地实现变压器的温度巡视。
Description
技术领域
本申请涉及智能管控领域，且更为具体地，涉及一种基于云边协同的电网巡视作业智慧管控平台及其方法。
背景技术
电网巡视作业是指对电力系统中的各种设备、设施以及线路进行巡视检查和监测的工作。巡视作业的目的是及时发现潜在的故障、问题或异常情况，以保障电网的安全运行和可靠供电。巡视作业通常包括对变压器、开关设备、输电线路、绝缘子等进行目视检查、测量和测试，以及记录异常情况和采取必要的维修和保养措施。但是，传统电网巡视作业通常需要大量的人力资源，包括巡视人员、检修人员和管理人员等。这对于电力公司来说可能是一项庞大的成本和管理挑战。
云边协同是指将边缘计算和云计算相结合，实现资源的分布式部署和协同工作。边缘节点指的是靠近数据源和终端用户的计算设备，例如传感器、终端设备或本地服务器。云端服务器则提供强大的计算和存储能力。通过云边协同，可以将数据的采集、处理和分析任务在边缘节点和云端之间进行合理分配，以实现更高效的数据处理和应用服务。
因此，期待一种基于云边协同的电网巡视作业智慧管控方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于云边协同的电网巡视作业智慧管控平台及其方法，其通过结合云边协同技术，对被监控变压器在预定时间段内多个预定时间点的温度值进行分析，以智能化地实现变压器的温度巡视。
根据本申请的一个方面，提供了一种基于云边协同的电网巡视作业智慧管控平台，其包括：
数据采集模块，用于通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；
数据传输模块，用于将所述多个预定时间点的温度值传输至云端服务器；
排列模块，用于在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；
时序分析模块，用于对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及
结果生成模块，用于基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常。
根据本申请的另一个方面，提供了一种基于云边协同的电网巡视作业智慧管控方法，其包括：
通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；
将所述多个预定时间点的温度值传输至云端服务器；
在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；
对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及
基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常。
与现有技术相比，本申请提供的一种基于云边协同的电网巡视作业智慧管控平台及其方法，其通过结合云边协同技术，对被监控变压器在预定时间段内多个预定时间点的温度值进行分析，以智能化地实现变压器的温度巡视。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台的框图；
图2为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台的系统架构图；
图3为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台中时序分析模块的框图；
图4为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台中降噪单元的框图；
图5为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台中结果生成模块的框图；
图6为根据本申请实施例的基于云边协同的电网巡视作业智慧管控方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
传统电网巡视作业通常需要大量的人力资源，包括巡视人员、检修人员和管理人员等。这对于电力公司来说可能是一项庞大的成本和管理挑战。云边协同是指将边缘计算和云计算相结合，实现资源的分布式部署和协同工作。边缘节点指的是靠近数据源和终端用户的计算设备，例如传感器、终端设备或本地服务器。云端服务器则提供强大的计算和存储能力。通过云边协同，可以将数据的采集、处理和分析任务在边缘节点和云端之间进行合理分配，以实现更高效的数据处理和应用服务。因此，期待一种基于云边协同的电网巡视作业智慧管控方案。
在本申请的技术方案中，提出了一种基于云边协同的电网巡视作业智慧管控平台。图1为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台的框图。图2为根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台的系统架构图。如图1和图2所示，根据本申请的实施例的基于云边协同的电网巡视作业智慧管控平台300，包括：数据采集模块310，用于通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；数据传输模块320，用于将所述多个预定时间点的温度值传输至云端服务器；排列模块330，用于在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；时序分析模块340，用于对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及，结果生成模块350，用于基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常。
特别地，所述数据采集模块310，用于通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值。应可以理解，温度是变压器运行状态的一个重要指标，可以反映变压器的负载情况、热平衡和散热效果等。通过分析温度数据，可以了解变压器的工作状态，评估其是否正常运行。
值得注意的是，温度传感器是一种用于测量环境或物体温度的设备。它可以将温度转化为电信号或数字信号，以便进行监测、控制或记录。温度传感器在许多领域中得到广泛应用，包括工业控制、气象观测、医疗设备、家用电器等。通过使用温度传感器，我们可以实时监测和控制温度，以满足不同应用的需求。
相应的，在一种可能的实现方式中，可通过以下步骤通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值，例如：确定需要监控的变压器以及监测温度的时间段和时间点；在变压器上合适的位置部署温度传感器。这些传感器能够准确地测量变压器的温度，并且能够与边缘节点进行通信；配置位于边缘的节点设备，使其能够接收和处理温度传感器的数据。这可能涉及设置网络连接、安装数据采集软件等；边缘节点通过与温度传感器通信，定期采集变压器的温度数据。根据预定的时间段和时间点，设置合适的数据采集频率；边缘节点将采集到的温度数据进行存储和处理。可以使用数据库或文件系统等方式进行数据存储，并根据需要进行数据处理、清洗或转换；根据预定的时间段和时间点，从存储的温度数据中提取相应的数据，并进行分析和可视化。这可以通过使用数据分析工具或编程语言来完成，以便更好地理解变压器温度的变化趋势和异常情况；根据预设的温度阈值或异常检测算法，监测变压器温度是否超过安全范围或出现异常情况。
特别地，所述数据传输模块320，用于将所述多个预定时间点的温度值传输至云端服务器。其中，云端服务器是指部署在云计算平台上的虚拟服务器实例。它们位于云服务提供商的数据中心中，通过互联网进行访问和管理。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多个预定时间点的温度值传输至云端服务器，例如：选择适合监测变压器温度的传感器；将传感器安装在变压器上，并连接到数据采集设备。确保传感器能够准确地测量温度，并将数据传输给数据采集设备；配置数据采集设备，使其能够按照预定时间间隔采集温度数据。设置采样频率和时间间隔，以便在所需的时间点获取温度值；将数据采集设备连接到互联网，并确保能够与云端服务器进行通信；在每个预定时间点，数据采集设备会自动采集温度值，并将其传输到云端服务器。传输可以使用标准的互联网传输协议，如HTTP或MQTT。云端服务器会接收并存储这些温度值；在云端服务器上，可以使用各种数据处理和分析工具来处理和分析传输的温度数据。这包括数据清洗、聚合、统计分析、异常检测等；将处理后的温度数据可视化，以便用户可以直观地了解变压器的温度变化情况。可以使用图表、图形和报告来呈现温度数据，以便用户可以进行更深入的分析和决策。
特别地，所述排列模块330，用于在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量。应可以理解，将温度值按时间维度排列为时序输入向量，可以用于检测温度异常事件。通过建立基于历史数据的模型或使用机器学习算法，可以对温度时序数据进行分析和比较，以检测是否存在异常温度情况，例如过高或过低的温度值。这有助于及时发现变压器的故障或异常情况，以便采取适当的维护措施。
特别地，所述时序分析模块340，用于对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量。应可以理解，对所述温度时序输入向量进行时序分析可以从中捕获关于被监控变压器的温度变化趋势与周期性特征。这种温度变化趋势与周期性特征可能与电力系统的运行模式和负荷变化等因素相关联。此外，温度值可能会在短时间内出现快速的波动或振荡，这可能是由于设备的瞬态响应、负载变化或其他因素引起的。这种高频振荡特征可以反映出被监控变压器的瞬时温度变化情况。特别地，温度值在某个时间点或时间段内突然发生剧烈变化，例如温度的突然上升或下降。这种突变特征可能表示设备出现了异常情况。特别地，在本申请的一个具体示例中，如图3所示，所述时序分析模块340，包括：上采样单元341，用于对所述温度时序输入向量进行数据上采样以得到上采样温度时序输入向量；以及，降噪单元342，用于对所述上采样温度时序输入向量进行多尺度时序分析与降噪以得到所述降噪后多尺度温度时序特征向量。
具体地，所述上采样单元341，用于对所述温度时序输入向量进行数据上采样以得到上采样温度时序输入向量。在一个具体示例中，将所述温度时序输入向量通过基于线性插值的上采样模块以得到所述上采样温度时序输入向量。
值得注意的是，基于线性插值的上采样是一种信号处理技术，用于增加信号的采样率或时间分辨率。它基于线性插值的原理，在已有的采样点之间插入额外的采样点，以提高信号的细节和精度。在上采样过程中，假设有一个原始信号，其中的采样点之间存在固定的时间间隔。基于线性插值的上采样通过在相邻的采样点之间插入新的采样点，将时间间隔缩小，从而增加采样率和时间分辨率。这些新插入的采样点的数值是通过线性插值计算得到的。
相应的，在一种可能的实现方式中，可通过以下步骤对所述温度时序输入向量进行数据上采样以得到上采样温度时序输入向量，例如：首先确定要将温度时序输入向量的采样率提高多少倍，即确定上采样倍数；根据上采样倍数，计算出新的时间间隔。原始时间间隔除以上采样倍数即可得到新的时间间隔；对于原始温度时序输入向量中的相邻数据点，使用线性插值计算出中间位置的数值。具体而言，根据相邻数据点的数值和时间间隔，计算出中间位置的数值。重复这个插值过程，直到在每个新的时间间隔内插入适当数量的新数据点；在插值计算过程中，如果原始温度时序输入向量中存在缺失值或缺少的时间点，可以根据已有的数据点进行插值填充；根据插值计算和填充缺失值的结果，生成上采样后的温度时序输入向量。该向量将包含更多的数据点，时间分辨率更高，捕捉到更细微的温度变化。
具体地，所述降噪单元342，用于对所述上采样温度时序输入向量进行多尺度时序分析与降噪以得到所述降噪后多尺度温度时序特征向量。特别地，在本申请的一个具体示例中，如图4所示，所述降噪单元342，包括:多尺度特征提取子单元3421，用于将所述上采样温度时序输入向量通过基于多尺度邻域特征提取模块的温度时序特征提取器以得到多尺度温度时序特征向量；以及,特征降噪子单元3422，用于将所述多尺度温度时序特征向量通过基于Bi-LSTM的特征降噪器以得到所述降噪后多尺度温度时序特征向量。
更具体地，所述多尺度特征提取子单元3421，用于将所述上采样温度时序输入向量通过基于多尺度邻域特征提取模块的温度时序特征提取器以得到多尺度温度时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。在一个示例中，将所述上采样温度时序输入向量输入所述基于多尺度邻域特征提取模块的温度时序特征提取器的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述上采样温度时序输入向量输入所述基于多尺度邻域特征提取模块的温度时序特征提取器的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多尺度温度时序特征向量。
更具体地，所述特征降噪子单元3422，用于将所述多尺度温度时序特征向量通过基于Bi-LSTM的特征降噪器以得到所述降噪后多尺度温度时序特征向量。其中，Bi-LSTM是一种循环神经网络(Recurrent Neural Network，RNN)的变体，具有前向和后向两个方向的隐藏状态，能够捕捉时序数据中的长期依赖关系。它通过在时间序列中前向和后向同时处理数据，有效地捕捉上下文信息和时序特征。应可以理解，由所述多尺度邻域特征提取模块提取得到的多尺度温度时序特征向量可能包含一些噪声或冗余信息，需要进行降噪处理以提高特征的准确性和可靠性。也就是，特征降噪器通过将多尺度温度时序特征向量作为输入，经过Bi-LSTM模型进行前向和后向的时序特征学习和表示。具体而言，Bi-LSTM模型能够利用前向和后向的隐藏状态来捕捉上下文信息。通过双向处理，基于Bi-LSTM的特征降噪器可以有效地降低输入特征中的噪声和冗余信息。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多尺度温度时序特征向量通过基于Bi-LSTM的特征降噪器以得到所述降噪后多尺度温度时序特征向量，例如：将多尺度温度时序特征向量划分为训练集和测试集。确保训练集包含足够的样本以便于模型学习和调整；使用深度学习框架构建一个基于Bi-LSTM的特征降噪器模型。Bi-LSTM模型是一种适用于序列数据的循环神经网络，它能够捕捉时序数据中的长期依赖关系；使用训练集的多尺度温度时序特征向量作为输入，将其输入到Bi-LSTM模型中进行训练。训练过程中，通过最小化重构误差来优化模型参数。重构误差是原始特征向量与降噪后特征向量之间的差异度量；根据训练过程中的性能指标(如重构误差、损失函数等)，对特征降噪器模型进行调优。可以尝试不同的模型结构、超参数设置和优化算法，以获得更好的降噪效果；使用训练好的特征降噪器模型对测试集的多尺度温度时序特征向量进行降噪处理。将测试集的特征向量输入到特征降噪器中，得到降噪后的多尺度温度时序特征向量；通过比较降噪后的特征向量与原始特征向量之间的差异来评估降噪效果；利用降噪后的多尺度温度时序特征向量进行后续的数据分析和应用。可以使用这些特征向量进行异常检测、预测维护、能源效率优化等任务，以提高温度数据的质量和可靠性。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述上采样温度时序输入向量进行多尺度时序分析与降噪以得到所述降噪后多尺度温度时序特征向量，例如：使用一种多尺度分解方法(如小波变换、奇异值分解等)将上采样后的温度时序输入向量进行分解，得到不同尺度的子序列。这些子序列对应不同频率范围的温度变化；对每个尺度的子序列进行降噪处理，去除噪声成分。常用的降噪方法包括小波阈值去噪、平滑滤波、基于统计模型的噪声估计等。降噪处理可以减少噪声对温度数据的影响，提高信号的质量；从降噪后的子序列中提取有意义的特征。可以使用统计特征、频域特征、时域特征等方法提取特征；将从不同尺度的子序列中提取的特征组合成一个综合的特征向量。可以使用简单的连接操作或者更复杂的特征融合方法将不同尺度的特征进行组合；利用降噪后的多尺度温度时序特征向量进行数据分析和应用。可以使用各种机器学习、数据挖掘或统计方法对特征向量进行建模、分类、聚类等分析任务。此外，还可以将特征向量用于温度异常检测、预测维护、能源效率优化等应用，以支持智能化的温度数据管理和决策支持。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量，例如：对温度时序输入向量进行降噪处理，以去除噪声和异常值的影响。常用的降噪方法包括移动平均、中值滤波、小波变换等；将降噪后的温度时序数据进行尺度分解，以获取多个尺度的特征。常用的尺度分解方法包括小波变换、奇异值分解等。这可以将时序数据分解为不同频率或尺度上的子序列，从而捕捉到不同时间尺度上的特征；从每个尺度分解得到的子序列中提取特征。这可以包括统计特征(如均值、方差、最大值、最小值)、频域特征(如功率谱密度、频谱峰值)或其他领域专业知识中定义的特征。提取的特征可以表示不同尺度上的温度变化模式或动态特征；将从不同尺度提取的特征组合成多尺度温度时序特征向量。可以使用简单的向量连接或加权平均等方法将特征向量组合起来。这样，每个时间点都会有一个对应的多尺度特征向量，其中包含了不同尺度上的温度特征信息；通过应用数据分析技术和算法，对多尺度温度时序特征向量进行进一步的分析和应用。这可以包括模式识别、异常检测、聚类分析、预测建模等。根据具体的应用场景，可以选择合适的算法和方法来处理多尺度特征向量；根据分析结果，可以将多尺度温度时序特征向量的分析结果可视化并呈现给用户。这可以通过图表、图形、报告或仪表板等形式进行展示。可视化结果有助于用户理解温度时序数据的多尺度特征和趋势，并支持决策制定和问题解决。
特别地，所述结果生成模块350，用于基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常。特别地，在本申请的一个具体示例中，如图5所示，所述结果生成模块350，包括：特征分布优化单元351，用于对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量；以及，分类单元352，用于将所述优化降噪后多尺度温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控变压器的温度是否存在异常。
具体地，所述特征分布优化单元351，用于对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量。在本申请的技术方案中，将所述上采样温度时序输入向量通过基于多尺度邻域特征提取模块的温度时序特征提取器时，所述多尺度温度时序特征向量可以表达温度值沿时序分布的多尺度局部时序邻域关联特征，而将所述多尺度温度时序特征向量进一步通过基于Bi-LSTM的特征降噪器后，所述降噪后多尺度温度时序特征向量可以基于全局时域下的近程-远程双向上下文时序特征关联来进行特征降噪，由此，所述降噪后多尺度温度时序特征向量也会具有基于多尺度时序关联邻域的局部时序尺度特征表示，从而在将所述降噪后多尺度温度时序特征向量通过分类器进行分类回归时，会基于局部时序关联邻域尺度下的特征表示来进行尺度启发式的回归概率映射，但是考虑到在局部关联邻域尺度上，所述降噪后多尺度温度时序特征向量实质上也包含了多尺度的时序特征分布表示，这会导致所述分类器的训练效率降低。基于此，本申请的申请人在将所述降噪后多尺度温度时序特征向量通过分类器进行分类时，对所述降噪后多尺度温度时序特征向量进行特征秩表达的语义信息均一化激活，具体表示为：
其中V是所述降噪后多尺度温度时序特征向量，vi是所述降噪后多尺度温度时序特征向量的第i个特征值，||V||2表示所述降噪后多尺度温度时序特征向量的二范数，log是以2为底的对数，且α是权重超参数，v′i是所述优化降噪后多尺度温度时序特征向量的第i个特征值。这里，考虑到所述降噪后多尺度温度时序特征向量V的特征分布在高维特征空间到分类回归空间时的特征分布映射，在基于混合尺度时序特征的不同的特征分布级别上会呈现不同的映射模式，导致基于尺度启发式的映射策略无法获得最优效率，因而基于特征向量范数的秩表达语义信息均一化而不是尺度进行特征匹配，可以将相似特征秩表达以类似方式激活，并降低差异较大的特征秩表达之间的相关性，从而解决所述降噪后多尺度温度时序特征向量V的特征分布在不同空间秩表达下的概率表达映射效率低下的问题，提升所述降噪后多尺度温度时序特征向量通过分类器进行分类回归时的训练效率。
具体地，所述分类单元352，用于将所述优化降噪后多尺度温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控变压器的温度是否存在异常。也就是，在得到所述优化降噪后多尺度温度时序特征向量后，将其作为分类特征向量通过分类器以得到用于表示被监控变压器的温度是否存在异常的分类结果。具体地，使用所述分类器的多个全连接层对所述优化降噪后多尺度温度时序特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器(Classifier)是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层(Fully Connected Layer)是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常，例如：使用正常操作期间的温度数据，通过机器学习或统计方法建立一个正常模型。可以使用监督学习算法或无监督学习算法来建立正常模型。该模型将被用作基准来判断温度是否异常；对降噪后的多尺度温度时序特征向量进行标准化处理，以确保不同特征具有相同的尺度和范围。常见的标准化方法包括均值移除和方差缩放等；使用建立的正常模型和标准化后的特征向量，对实时的多尺度温度时序特征向量进行异常检测。可以使用以下方法进行异常检测：基于阈值的方法：设置一个阈值，当特征向量的某个特征超过该阈值时，判定为异常；统计方法：使用统计模型(如高斯分布、离群点检测算法等)对特征向量进行建模，通过计算异常得分或概率来判断是否存在异常；机器学习方法：利用已有的异常样本进行监督学习，训练一个分类器或回归模型，用于判断新的特征向量是否异常；异常判定与报警：根据异常检测的结果，对每个时间点的温度数据进行判定，确定是否存在异常。如果检测到异常，可以触发报警机制，通知相关人员进行进一步的检查和处理；持续监测与反馈：持续监测被监控变压器的温度数据，并根据实时的多尺度温度时序特征向量进行异常检测。同时，将检测到的异常情况反馈给系统，以不断改进异常检测模型和提高准确性。
如上所述，根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台300可以实现在各种无线终端中，例如具有基于云边协同的电网巡视作业智慧管控算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于云边协同的电网巡视作业智慧管控平台300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于云边协同的电网巡视作业智慧管控平台300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于云边协同的电网巡视作业智慧管控平台300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于云边协同的电网巡视作业智慧管控平台300与该无线终端也可以是分立的设备，并且该基于云边协同的电网巡视作业智慧管控平台300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
进一步地，还提供一种基于云边协同的电网巡视作业智慧管控方法。
图6为根据本申请实施例的基于云边协同的电网巡视作业智慧管控方法的流程图。如图6所示，根据本申请实施例的基于云边协同的电网巡视作业智慧管控方法，包括步骤：S1，通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；S2，将所述多个预定时间点的温度值传输至云端服务器；S3，在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；S4，对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及，S5，基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常。
综上，根据本申请实施例的基于云边协同的电网巡视作业智慧管控方法被阐明，其通过结合云边协同技术，对被监控变压器在预定时间段内多个预定时间点的温度值进行分析，以智能化地实现变压器的温度巡视。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种基于云边协同的电网巡视作业智慧管控平台，其特征在于，包括：
数据采集模块，用于通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；
数据传输模块，用于将所述多个预定时间点的温度值传输至云端服务器；
排列模块，用于在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；
时序分析模块，用于对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及
结果生成模块，用于基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常；
其中，所述结果生成模块，包括：
特征分布优化单元，用于对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量；以及
分类单元，用于将所述优化降噪后多尺度温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控变压器的温度是否存在异常；
其中，所述特征分布优化单元，用于：以如下优化公式对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量；
其中，所述公式为：
其中V是所述降噪后多尺度温度时序特征向量，vi是所述降噪后多尺度温度时序特征向量的第i个特征值，||V||2表示所述降噪后多尺度温度时序特征向量的二范数，log是以2为底的对数，且α是权重超参数，v′i是所述优化降噪后多尺度温度时序特征向量的第i个特征值。
2.根据权利要求1所述的基于云边协同的电网巡视作业智慧管控平台，其特征在于，所述时序分析模块，包括：
上采样单元，用于对所述温度时序输入向量进行数据上采样以得到上采样温度时序输入向量；以及
降噪单元，用于对所述上采样温度时序输入向量进行多尺度时序分析与降噪以得到所述降噪后多尺度温度时序特征向量。
3.根据权利要求2所述的基于云边协同的电网巡视作业智慧管控平台，其特征在于，所述上采样单元，包括：将所述温度时序输入向量通过基于线性插值的上采样模块以得到所述上采样温度时序输入向量。
4.根据权利要求3所述的基于云边协同的电网巡视作业智慧管控平台，其特征在于，所述降噪单元，包括：
多尺度特征提取子单元，用于将所述上采样温度时序输入向量通过基于多尺度邻域特征提取模块的温度时序特征提取器以得到多尺度温度时序特征向量；以及
特征降噪子单元，用于将所述多尺度温度时序特征向量通过基于Bi－LSTM的特征降噪器以得到所述降噪后多尺度温度时序特征向量。
5.一种基于云边协同的电网巡视作业智慧管控方法，其特征在于，包括：
通过部署于边缘节点的温度传感器采集的被监控变压器在预定时间段内多个预定时间点的温度值；
将所述多个预定时间点的温度值传输至云端服务器；
在所述云端服务器，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量；
对所述温度时序输入向量进行时序分析以得到降噪后多尺度温度时序特征向量；以及
基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常；
其中，基于所述降噪后多尺度温度时序特征向量，确定所述被监控变压器的温度是否存在异常，包括：
对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量；以及
将所述优化降噪后多尺度温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控变压器的温度是否存在异常；
其中，对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量，包括：以如下优化公式对所述降噪后多尺度温度时序特征向量进行特征分布优化以得到优化降噪后多尺度温度时序特征向量；
其中，所述公式为：
其中V是所述降噪后多尺度温度时序特征向量，vi是所述降噪后多尺度温度时序特征向量的第i个特征值，||V||2表示所述降噪后多尺度温度时序特征向量的二范数，log是以2为底的对数，且α是权重超参数，v′i是所述优化降噪后多尺度温度时序特征向量的第i个特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248645.2A CN117254593B (zh) | 2023-09-25 | 2023-09-25 | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248645.2A CN117254593B (zh) | 2023-09-25 | 2023-09-25 | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117254593A CN117254593A (zh) | 2023-12-19 |
| CN117254593B true CN117254593B (zh) | 2024-05-03 |
Family
ID=89128941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311248645.2A Active CN117254593B (zh) | 2023-09-25 | 2023-09-25 | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117254593B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095616A1 (zh) * | 2020-11-03 | 2022-05-12 | 国网智能科技股份有限公司 | 一种变电站在线智能巡视系统及方法 |
| CN115500790A (zh) * | 2022-09-23 | 2022-12-23 | 燕山大学 | 基于bi-lstm网络的癫痫发作预测分析的方法 |
| CN116458852A (zh) * | 2023-06-16 | 2023-07-21 | 山东协和学院 | 基于云平台及下肢康复机器人的康复训练系统及方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116780316A (zh) * | 2023-08-03 | 2023-09-19 | 无锡迈微光电科技有限公司 | 大功率固体激光器的散热系统 |
| CN116772944A (zh) * | 2023-08-25 | 2023-09-19 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控系统及其方法 |
-
2023
- 2023-09-25 CN CN202311248645.2A patent/CN117254593B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095616A1 (zh) * | 2020-11-03 | 2022-05-12 | 国网智能科技股份有限公司 | 一种变电站在线智能巡视系统及方法 |
| CN115500790A (zh) * | 2022-09-23 | 2022-12-23 | 燕山大学 | 基于bi-lstm网络的癫痫发作预测分析的方法 |
| CN116458852A (zh) * | 2023-06-16 | 2023-07-21 | 山东协和学院 | 基于云平台及下肢康复机器人的康复训练系统及方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116780316A (zh) * | 2023-08-03 | 2023-09-19 | 无锡迈微光电科技有限公司 | 大功率固体激光器的散热系统 |
| CN116772944A (zh) * | 2023-08-25 | 2023-09-19 | 克拉玛依市燃气有限责任公司 | 配气站的智能监控系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117254593A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
| US9245235B2 (en) | Integrated approach to model time series dynamics in complex physical systems | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| US20170235626A1 (en) | Anomaly Fusion on Temporal Casualty Graphs | |
| CN117826715B (zh) | 一种智能设备监控与预警系统 | |
| CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
| JP2022507110A (ja) | 非定常性機械性能の自動分析 | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| KR101625087B1 (ko) | 고조파 분석에 의한 전기설비 고장 진단장치 | |
| CN116683648B (zh) | 一种智能型配电柜及其控制系统 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
| CN117791876A (zh) | 变电设备运行状态监测方法及异常管控系统 | |
| CN117936190A (zh) | 绞线机的监测系统及其方法 | |
| CN117856442A (zh) | 一种基于大数据的电力设备远程监测系统及方法 | |
| CN117254593B (zh) | 基于云边协同的电网巡视作业智慧管控平台及其方法 | |
| CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
| CN116821831A (zh) | 电力智能巡检系统及其方法 | |
| Zhao et al. | Condition prediction based on wavelet packet transform and least squares support vector machine methods | |
| WO2022216599A1 (en) | System for generating natural language comment texts for multi-variate time series |
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 |