CN117419829A - 过热故障的预警方法、装置和电子设备 - Google Patents
过热故障的预警方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117419829A CN117419829A CN202311432185.9A CN202311432185A CN117419829A CN 117419829 A CN117419829 A CN 117419829A CN 202311432185 A CN202311432185 A CN 202311432185A CN 117419829 A CN117419829 A CN 117419829A
- Authority
- CN
- China
- Prior art keywords
- temperature
- electric energy
- target
- value
- early warning
- 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 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 238000013021 overheating Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 22
- 238000009826 distribution Methods 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 241000722921 Tulipa gesneriana Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (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)
- Gas-Insulated Switchgears (AREA)
Abstract
本申请涉及一种过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。其中方法包括：获取目标电能枢纽的内部环境温度和初始监测温度，初始监测温度是通过电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；采集目标电能枢纽在内部环境温度下的负荷电流数据；将内部环境温度、负荷电流数据、以及初始监测温度，输入至神经网络模型，预测得到目标器件的器件温度；若器件温度大于目标器件的额定温度，则根据器件温度生成过热故障的告警信息。相较于直接采用传感器采集得到的温度值，预测得到的器件温度能够更为准确地反映内部器件的真实温度，进而能够准确地对电能枢纽中发生的过热故障事件进行预警。
Description
技术领域
本申请涉及配电系统技术领域，特别是涉及一种过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
在配电网或配电系统中，各个电能枢纽设备不仅能够传输电能，还起着开合、控制和保护用电设备的作用。以大电流开关柜为例，大电流开关柜依据电压等级可以分为中压开关柜、高压开关柜和超高压开关柜。开关柜大多集中安置，一旦某个开关柜发生故障，可能会引起连环爆炸，损坏其他开关柜等电能枢纽设备。其不仅会造成区域性停电，大面积甩负荷，危害电网健康运行，也有可能危及运维人员生命安全，带来不良社会影响。大电流开关柜其造价成本并不高，但发生故障后引起的社会经济影响较为严重。若不能有效地降低配电开关柜热故障率，将会与发展智能配网提高供电可靠性的目标背道而驰。
传统技术方案中，针对大电流开关柜的热隐患排查方法或者温度监测方法，通常是通过传感器的方式进行温度采集从而达到预警的效果。但是，现阶段中大电流开关柜温度监测的难题在于梅花触头的温度数据不易采集；而该部位是搭接点处最易增大发生热故障的关键部位。由于断路器梅花触头与静触头连接部位被触头盒紧密包裹，传感器布置空间有限，难以反映器件的真实温度，最终导致对开关柜过热故障事件预警的准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种准确率更高的过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种过热故障的预警方法。所述方法包括：
获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；
采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；
若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
在其中一个实施例中，所述初始监测温度的获取方式包括：
获取所述目标电能枢纽对应的三维模型、以及对目标器件进行温度监测的传感器装设位置；
根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场；
根据所述传感器装设位置，从所述温度场中提取得到所述初始监测温度。
在其中一个实施例中，所述根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场包括：
对所述三维模型的几何结构进行简化；
将简化后的所述三维模型进行有限元拆分；
根据拆分后得到的有限元单元生成所述三维模型对应的有限元模型；
根据所述内部环境温度，生成所述有限元单元对应的单元温度；
根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场。
在其中一个实施例中，所述根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场包括：
获取所述负荷电流数据和所述目标器件对应的电阻值；
基于所述负荷电流数据、所述电阻值、以及所述单元温度，对所述有限元模型进行多物理场耦合，生成所述目标电能枢纽对应的温度场。
在其中一个实施例中，在将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度之前，包括：
获取训练数据集，所述训练数据集包括样本数据和样本标签，所述样本数据包括多个电能枢纽对应的历史温度值和历史电流数据，所述样本标签包括所述多个电能枢纽中历史器件对应的器件温度值；
将所述样本数据输入至待训练的神经网络模型，预测得到所述历史器件对应的预测温度值；
计算所述预测温度值与所述器件温度值之间的相对差值；
对所述神经网络模型的模型参数进行更新，直至所述相对差值不大于预设的温度差阈值，根据更新后的模型参数得到已训练的神经网络模型。
在其中一个实施例中，根据所述器件温度生成过热故障的告警信息包括：
获取所述器件温度与所述额定温度之间的温度差值；
若所述温度差值大于预设的热故障临界值，则根据所述器件温度和所述温度差值，生成过热故障的告警信息。
在其中一个实施例中，过热故障的预警方法还包括以下步骤：
若所述温度差值不大于预设的热故障临界值，则生成过热预警事件；
根据所述温度差值生成所述过热预警事件对应的预警值；
在预设时间周期内，监测所述预警事件的事件发生频率，根据所述事件发生频率对所述预警值进行更新；
若更新后的所述预警值不小于预设的预警阈值，则根据所述预警事件生成过热故障的告警信息。
第二方面，本申请还提供了一种过热故障的预警装置。所述装置包括：
温度采集模块，用于获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内的传感器对目标器件进行温度监测得到的温度值；
负荷监测模块，用于采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
温度预测模块，用于将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型中预测得到所述目标电能枢纽中目标器件的器件温度；
故障告警模块，用于当所述器件温度大于所述目标器件的额定温度时，根据所述器件温度生成过热故障的告警信息。。
第三方面，本申请还提供了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；
采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；
若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；
采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；
若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；
采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；
若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
上述过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。首先对目标电能枢纽的内部环境温度进行采集，同时获取目标电能枢纽内置传感对目标器件进行实时温度监测所得到的温度值。然后，获取该目标电能枢纽在这一内部环境温度下的符合电流数据。进一步地，将器件温度与目标器件的额定温度进行对比，判断是否需要触发过热故障的告警信息。在得到了内部环境温度、负荷电流数据以及传感器采集得到温度值的情况下，通过神经网络模型深度学习的方式生成目标器件真实的器件温度。上述器件温度的生成过程，能够克服因传感器布置位置受限，导致测温结果不准确的情况；并且，相较于直接采用传感器采集得到的温度值，预测得到的器件温度能够更为准确地反映目标电能枢纽中内部器件的真实温度，进而能够准确地对目标电能枢纽中发生的过热故障事件进行预警。
附图说明
图1为一个实施例中过热故障的预警方法的应用环境图；
图2为一个实施例中过热故障的预警方法的流程示意图；
图3为一个实施例中初始监测温度获取子步骤的流程示意图；
图4为一个实施例中简化后的大电流开关柜的模型示意图；
图5为一个实施例中触发过热故障告警的流程示意图；
图6为一个实施例中温度差值对应的级别判断流程示意图；
图7为一个实施例中“N+3”异常状态判断流程示意图；
图8为一个实施例中针对过热故障的隐患事件处理流程示意图；
图9为另一个实施例中过热故障的预警方法的流程示意图；
图10为一个实施例中过热故障的预警装置的结构框图；
图11为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在传统技术方案中，配电网或配电系统中各个电能枢纽设备的故障，可以分为热故障、机械故障和绝缘故障。各种故障类型均可能会引起开关柜异常温升，甚至发生爆炸。据统计热故障是造成开关柜故障的主要原因，也是危害最大的故障类型。在实际生产环境中，引发热故障的主要原因如下：开关柜电气连接工艺不当，电气连接表面在运行过程中发生氧化，操作断路器手车不当使得触头机械磨损，这些原因均会导致电气连接面接触电阻增大。接触电阻的增大使得开关柜运行在异常状态，当负荷增大时或者负荷发生突变时将会引起异常温升，热故障概率大大增加。
以大电流开关柜为例，随着城市用电量的激增，为满足供电需求，越来越多的大电流开关柜投入运行。电流的增大使得开关柜的发热更加严重，热故障发生的概率进一步增加。同时，负荷的增大造成更大的温升，对温升监测的实时性和准确度提出了更高的要求。大电流开关柜现阶段存在梅花触头温度不易直接监测的难题，并且，该部位是接触电阻最易增大发生热故障的关键部位。难点主要体现如下：断路器梅花触头与静触头连接部位被触头盒紧密包裹，传感器布置空间有限；传感器信号传输强度受限，测量准确度较低；传感器稳定性差；即在断路器手车动作时，传感器易脱落。因此，如何对大电流开关柜内梅花触头温升实时有效监测是传统技术方案需要攻克的重难点。
在传统技术方案中提出了使用红外诊断技术非接触测量开关柜接头的温度，并设计数模电路采集放大并分析测量信息。这种方法不直接接触高电压带电体且灵敏度较高。但后来随着开关柜结构日趋紧密，很多类型的开关柜内存在光路遮挡问题，不易加装红外温度传感器，且红外温度传感器成本较高。
为能够解决上述提出的技术难题，本申请技术方案提出了一种过热故障的预警方法、装置和电子设备；方案基于有限元分析方法和神经网络建立电能枢纽设备的热状态反演模型，并基于该模型进行相应的热缺陷预评估，最终达到能够准确地判断电能枢纽设备缺陷并形成预警信息的目的。
具体地，本申请技术方案中的过热故障的预警方法，可以应用于如图1所示的应用环境中。以大电流开关柜作为目标电能枢纽设备为例，在图1所示的应用环境中，大电流开关柜102中设置有多个温度传感器，温度传感器与大电流开关柜102中的中央处理器104通信连接；在温度传感器采集到特定部件或特定位置的温度数据之后，将温度数据传输至中央处理器104。中央处理器104通过网络传输方式与服务器106进行数据交换；例如，中央处理器104可以将接收到的温度数据上传至服务器106，使得服务器106基于这一温度数据，对大电流开关柜102中是否存在过热故障进行判断和预警。实施例中服务器106设置有数据存储系统，该数据存储系统可以存储服务器104需要的各项数据；数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。此外，服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在服务器106接收到中央处理器104上传的温度数据之后，将基于温度数据对过热故障进行判断，并在确定发生过热故障的情况下进行告警。其中，服务器106在接收到中央处理器104上传的温度数据之后，需要对温度数据进行分析处理，从温度数据对应的数据包中进行关键信息提取，得到大电流开关柜102的内部环境温度、以及特定器件（例如，三相上下梅花触头与静触头搭接点处的搭接点处）对应的温度。在得到以上两项温度数据之后，服务器106下达电流负荷的采集指令；响应于这一采集指令，中央处理器104将调用相应的传感器采集在当前的内部环境温度下，大电流开关柜102中的负荷电流数据；并将这一负荷电流数据同步至服务器106。在服务器106获取得到的负荷电流数据之后，进一步调用已经训练的神经网络模型；将前述的两项温度数据和负荷电流数据输入至该神经网络模型，通过神经网络模型进行深度学习并预测得到当前温度条件和电流负载的情况下，三相上下梅花触头与静触头搭接点处的搭接点处的实际温度值。在得到搭接点处的实际温度值之后，基于搭接点处在正常工作状态下的额定温度对当前的实际温度值进行过热判断；在服务器106确定前述的搭接点处存在过热的情况下，将会生成过热故障的告警信息，并将这一告警信息返回值中央处理器104。中央处理器104在接收到这一告警信息之后，将基于告警信息中携带的动作指令，触发声光电等方式的告警动作。
在图1所示的应用环境中，将每一个大电流开关柜102为一个智能温升监测节点，通过无线组网可构建全面监测配网开关柜状态的智能温升监测系统。因此，本申请技术方案对于大电流开关柜开展温升特性以及热缺陷预评估的方案内容，能够有效地促进电网的安全稳定性和智能配网的建设。
在一个实施例中，如图2所示，提供了一种过热故障的预警方法，以该方法应用于图1中的服务器106为例进行说明，包括以下步骤：
步骤202，获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值。
在实施例中，内部环境温度是用于表征电能枢纽设备内部的整体环境温度，其可以是通过环境温度传感器采集得到。实施例中的目标器件是指在电能枢纽设备中工作状态中存在明显温度变化、或者温度变化将影响其工作状态或性能的器件；因此实施例中需要通过温度传感器传感器进行实时的温度监测，并且所监测得到的温度值记作初始监测温度。
示例性地，选择大电流开关柜作为目标电能枢纽设备进行过热故障预警为例，并且实施例中需要进行重点关注的是大电流开关柜中三相上下梅花触头与静触头搭接点处的搭接点处的发热情况。为了能够更准确地确定搭接点处的实际温度，在实施例中服务器需要通过神经网络建立开关柜的热状态反演模型来清楚地反映该搭接点处的具体温度。具体地，在大电流开关柜中且靠近前述搭接点处的区域，安装有非接触式的红外温度传感器来实时监测搭接点处的温度；更为具体地，由于在开关柜中设置有六个梅花触头，因此，需要针对六个梅花触头与静触头搭接点处设置前述的非接触式红外温度传感器。除此之外，在大电流开关柜的手车室内壁上装设一个环境温度传感器，该环境温度传感器则主要用于采集开关柜的内部环境温度。实施例中上述各类传感器均与开关柜中的核心处理器连接，并将采集得到的温度数据均传输至该核心处理器。同时核心处理器也具备远程通信功能，例如可以通过网络传输的方式，将开关柜内各个温度传感器所采集得到的温度数据传输至后台服务器。后台服务器根据与核心处理器之间的网络通信协议对接收到的温度数据进行解析，并通过关键字段识别等处理方式，从温度数据中提取得到大电流开关柜内部环境温度、以及梅花触头与静触头搭接点处的温度数据（该温度数据是由传感器采集得到的温度值，并不等同于实施例中搭接点处的具体温度）。
步骤204，采集目标电能枢纽在所述内部环境温度下的负荷电流数据。
在实施例中，负荷电流数据是指在当前温度条件下负载线路中的电流值。具体在实施例中，在大电流开关柜中除了设置温度传感器外还可以设置有其他状态参数的传感器，其他的传感器能够实时监测大电流开关柜在工作状态下的各项参数。以电流传感器为例，在工作状态中，通过电流传感器可以实时监测大电流开关柜中负载线路的实时电流数据，并且实时电流数据同样也传输至核心处理器，在通过核心处理器进行数据打包与前述步骤中采集得到的温度数据一同传输至后台服务器。后台服务器在与核心处理器进行数据交互的过程中，通过解析从数据包内提取得到内部环境温度，进一步对电流数据进行提取，所提取的到的电流数据即为在（当前）内部环境温度下的负荷电流数据。更进一步的，在实施例中实时监测并采集温度数据和电流数据时，均会形成相应的时间标识，例如时间戳。通过时间戳对温度数据以及电流数据进行标识，在服务器进行解析的阶段，可以通过数据所携带的时间戳来确定数据值是否记录的是同一时刻的状态值，以使得状态数据（包括但不限于温度数据和负荷电流数据）的描述更为准确。
步骤206，将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度。
在实施例中，神经网络（Neural Network）模型也被称为人工神经网络，是深度学习算法的核心；通过模仿生物神经元之间相互传递信号的方式，从而达到学习经验的目的。在众多的神经网络中，BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其具有很强的非线性映射能力和柔性的网络结构，故实施例中可以选择BP神经网络来对目标器件的实际器件温度进行学习预测。
示例性地，在实施例中首先需要构建BP神经网络模型，并且选取相应的历史状态数据作为训练数据对BP神经网络模型。具体在实施例中，所选取的历史状态数据是由多个大电流开关柜的在不同时刻下的状态数据归集形成的；并且状态数据中应当包括开关柜的内部环境的历史温度数据和历史电流数据，在历史温度数据中还包括有环境温度值、传感器采集得到的梅花触头静触头搭接点处的温度值、以及实际的搭接点处的温度值。将实际的搭接点处的温度值作为样本标签，将其他数据内容作为训练数据的数据样本，完成对BP神经网络模型的训练。实施例中的器件温度则是指目标器件的实际温度值；由于实施例中采取的是非接触式的传感器对器件温度进行的采集，由于热量损耗等原因，传感器实际采集得到的温度值与器件实际温度值之间存在一定的偏差。
进一步地，在通过步骤202和步骤204获取得到了当前工作状态下大电流开关柜的内部环境温度、负荷电流大小以及温度传感测点的实时数据之后，服务器将调用训练后的BP神经网络模型，通过对环境温度、负荷电流大小、温度传感测点的实时数据与梅花触头静触头搭接点处的实际温度值之间的潜在关联关系进行学习，并最终预测得到搭接点处的实际温度值。
步骤208，若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
在实施例中，额定温度值反应的是目标器件在正常工作状态下的温度值；实施例中目标器件的额定温度可以是基于器件出厂时标定的具体参数计算得到，或者针对器件的参数无法直接计算得到额定温度的情况，实施例中还可以通过神经网络模型，基于器件在不同时刻和不同状态下的工作状态进行学习，从而以模型预测的方式得到目标器件的额定温度。
示例性地，在实施例中基于三相上下梅花触头与静触头搭接点处的接触电阻组织，与温度之间的特性曲线，确定了正常工作的情况下搭接点处的额定温度值，并将该额定温度值存储至服务器本地。在服务器通过前述温度数据和电流数据的采集，并通过BP神经网络模型预测得到接待点处的实际温度之后，基于器件的信息（例如梅花触头的器件标识等）从本地存储中直接调取搭接点处的额定温度值，并与预测得到的实际温度进行对比，判断梅花触头与静触头搭接点处是否存在过热的情况。例如实施例中预测得到搭接点处的温度为47℃；而梅花触头与静触头搭接点处的额定温度值为42℃；服务器经过对比判断搭接点处存在着明显的过热情况，可能存在故障隐患；基于温度值的对比结果，服务器将触发告警信息反馈至大电流开关中的核心处理器，使得该核心处理器能够基于这一告警信息执行相应的告警动作。
本申请技术方法提供的过热故障的预警方法，首先需要对目标电能枢纽的内部环境温度进行采集，同时获取目标电能枢纽内置传感对目标器件进行实时温度监测所得到的温度值。然后，获取该目标电能枢纽在这一内部环境温度下的符合电流数据。进一步地，将器件温度与目标器件的额定温度进行对比，判断是否需要触发过热故障的告警信息。在得到了内部环境温度、负荷电流数据以及传感器采集得到温度值的情况下，通过深度学习的方式得到目标器件真实的器件温度。上述器件温度的生成过程，能够克服因传感器布置位置受限，导致测温结果不准确的情况；并且，相较于直接采用传感器采集得到的温度值，方法中预测得到的器件温度能够更为准确地反映目标电能枢纽中内部器件的真实温度，进而能够准确地对目标电能枢纽中发生的过热故障事件进行预警。
为了能够更准准确地获取大电流开关中每个位置对应的温度值，在一个实施例中，如图3所示，初始监测温度的获取方式包括以下步骤：
步骤302，获取所述目标电能枢纽对应的三维模型、以及对目标器件进行温度监测的传感器装设位置。
在实施例中，三维模型是通过对目标电能枢纽进行仿真建模所得到的仿真模型；例如，实施例中可以通过有限元分析的方式搭建对应的仿真模型，且有限元模型是一组仅在节点处连接、仅靠节点传力、仅在节点处受约束的单元组合体。实施例中传感器装设位置是指非接触式传感器在目标电能枢纽中所设置的位置；其能够准确地描述非接触式传感器与目标器件之间的位置关系。
示例性地，同样以大电流开关柜为例，首先需要对该大电流开关柜进行建模，得到其对应的三维模型。如图4所示，在得到三维模型的基础上对大电流开关柜的几何结构进行简化，去除掉柜体螺钉孔、绝缘部件凸起等不利于有限元网格剖分的结构；并且，在图4中以虚线圆圈标记的区域，即为各个传感器的设置位置。在进行有限元的仿真建模之前，需要基于热传导的有限元分析方式选择有限元的单元网格。然后将简化后的三维模型到入职有限元仿真软件中进行二次建模，通过网格划分得到由多个有限元单元所组成的有限元模型。而对于传感器装设位置，在对大电流开关柜进行传感器装置时，记录下每个传感器在柜中具体的位置信息，并存储至服务器本地，并赋予其对应的传感器标识信息。在需要获取传感器装设位置的情况下，可以基于传感器标识信息直接进行信息索引，以得到传感器的装设位置信息。
步骤304，根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场。
在实施例中，温度场是目标电能枢纽中各时刻各点温度分布的综合，能从整体层面反应枢纽内部的温度分度情况。具体在实施例中，由于大电流开关柜中设置了多个温度传感器，进而，基于相同时刻各个温度传感器所采集得到的不同位置的温度值，能够绘制出大电流开关柜中的温度分布图，即得到大电流开关柜对应的温度场。更为具体地，实施例中在进行温度分布图的绘制过程中，根据各个传感器采集的离散温度数值，通过插值法或者回归分析得到温度场的特征；再基于温度场的特征通过不同的色彩来表示不同的温度区间；从而完成温度分布图的绘制。
步骤306，根据传感器装设位置，从温度场中提取得到初始监测温度。
在实施例中，由于在正常状态下无法对大电流开关柜的内部情况进行探查；在操作人员未能掌握具体温度值所对应的采集区域的情况下，实施例中可以通过提取服务器中所记录的每个传感器装设的位置信息，并基于位置信息与传感器标识信息之间的关联关系，确定具体传感器所采集得到的特定区域的温度数值。实施例通过温度场的构建以及传感器装设位置的相关信息，能够对目标电能枢纽内部的温度分布情况进行清楚、准确地描述。
在一个实施例中，方法中根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场的过程，可以包括以下步骤：
步骤一，对三维模型的几何结构进行简化；
步骤二，将简化后的三维模型进行有限元拆分；
步骤三，根据拆分后得到的有限元单元生成三维模型对应的有限元模型；
步骤四，根据内部环境温度，生成有限元单元对应的单元温度；
步骤五，根据有限元模型和单元温度，生成目标电能枢纽对应的温度场。
示例性地，实施例中服务器首先需要对该大电流开关柜进行建模，得到其对应的三维模型。在得到三维模型的基础上对大电流开关柜的几何结构进行简化，去除掉柜体螺钉孔、绝缘部件凸起等不利于有限元网格剖分的结构。在进行有限元的仿真建模之前，需要基于热传导的有限元分析方式选择有限元的单元网格。然后将简化后的三维模型到入职有限元仿真软件中进行网格分割，通过网格划分得到由多个有限元单元所组成的有限元模型。进一步地，服务器需要对获取得到的内部环境温度进行处理和分析，以得到数值化的温度分布情况。将数值化的温度分布情况映射至有限元模型，即得到每一个有限元网格的对应的温度值，记作单元温度。在确定了各个有限元网格的温度之后，将所有的有限元网格进行整合，由有限元网格形成的大电流开关柜模型，根据每个网格单元对应的温度值，能够确定大电流开关柜模型每一处的温度值，以此形成大电流开关柜模型的温度分布情况，即大电流开关柜模型对应的温度场。
在其中一个实施例中，根据有限元模型和所述单元温度，生成目标电能枢纽对应的温度场的过程，还可以包括以下步骤：
步骤一，获取负荷电流数据和目标器件对应的电阻值。
步骤二，基于负荷电流数据、电阻值、以及单元温度，对有限元模型进行多物理场耦合，生成目标电能枢纽对应的温度场。
在实施例中，多物理场（Multiphysics）为耦合有多个同时发生的物理场的过程或系统，以及对此类过程和系统的分析。具体在实施例中，在构建大电流开关柜温度场的过程中根据开关柜的负荷电流I、环境温度TA、三相上下梅花触头与静触头搭接点处的接触电阻RT1~RT6等参数的变化范围，利用热场-电场-流场多物理场耦合仿真得到不同参数组合下的开关柜温度场分布。更为具体地，热场-电场-流场的耦合是通过有限元工具COMSOL实现的；大电流开关柜的导电回路流过电流时，会产生焦耳热，热量的传递是通过传热模块实现的。同时开关柜内存在空气，导电部件的发热和热传递会导致温度的变化，而温度的变化又会导致空气的密度发生变化，从而导致空气（流体）的流动，空气的流动反过来也会影响热量的传导。在COMSOL中分别使用到电流模块、固体传热模块和层流模块；电流模块、固体传热模块生成电磁热源耦合模块，固体传热模块和层流模块生成非等温流耦合模块，各耦合模块间以温度这一变量进行联系，即实现了热场-电场-流场的多物理场耦合。实施例中通过热场-电场-流场的多物理场耦合的方式，能够更为准确地描述目标电能枢纽中的温度场分布。
在其中一个实施例中，在将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度之前，方法还可以包括以下步骤：
步骤一，获取训练数据集，训练数据集包括样本数据和样本标签，样本数据包括多个电能枢纽对应的历史温度值和历史电流数据，样本标签包括所述多个电能枢纽中历史器件对应的器件温度值。
步骤二，将样本数据输入至待训练的神经网络模型，预测得到历史器件对应的预测温度值。
步骤三，计算预测温度值与所述器件温度值之间的相对差值。
步骤四，对神经网络模型的模型参数进行更新，直至相对差值不大于预设的温度差阈值，根据更新后的模型参数得到已训练的神经网络模型。
具体在实施例中，实施例中服务器需要对大电流开关柜的历史状态数据进行整理，整理过程包括噪音数据的剔除、插值填充以及数据格式的统一；使得整理过后的历史状态数据均记录有负荷电流、内部环境温度以及传感器装设点处的温度等必要参数值。将整理后的历史状态数据构建得到模型的训练数据集；将前述的负荷电流、内部环境温度以及传感器装设点处的温度等作为样本数据，即模型的输入；并将历史状态记录中梅花触头与静触头搭接点处的实际温度作为每项样本数据的样本标签。
更为具体地，将作为样本数据的负荷电流I、环境温度TA以及传感器装设点处的温度TM1~ TM6作为输入变量、三相上下梅花触头与静触头搭接点处的温度T1~ T6作为输出变量训练BP神经网络模型，模型的隐含层节点数、隐含层和输出层输出值的计算过程如下：
其中，m表示输入层节点数；n表示输出层节点数；a表示根据实际网络训练效果所取的常数值；k表示隐含层节点数；xi（i=1···m）表示各输入层的节点值；vji表示输入层到隐含层的权重；wkj表示隐含层到输出层的权重；θj表示输入层到隐含层的偏置；θk表示隐含层到输出层的偏置。由于BP神经网络的有监督学习方式，在模型的训练过程中每轮输入均对应有模型输出值，将每一轮模型输出值与输入数据对应的样本标签（搭接点处的实际温度）进行对比，直至两者之间的差值小于预先设定的相对差值，例如0.2，即当模型输出值与实际温度值的差值小于0.2则认为模型已经收敛，得到训练完成的神经网络模型ANN0。
除此之外，实施例中服务器中还可以提取梅花触头与静触头搭接点处的接触电阻在正常工作状态下（例如，在额定的电压值下）的温度数据将负荷电流I、环境温度TA以及传感器装设点处的温度TM1~ TM6作为输入变量，将三相上下梅花触头与静触头搭接点处的正常温度Tc1~ T c6分别作为输出变量训练得到BP神经网络模型ANNs（s=1，···，6）。
在其中一个实施例中，方法中根据器件温度生成过热故障的告警信息的过程，包括以下步骤：
步骤一，获取器件温度与所述额定温度之间的温度差值。
步骤二，若温度差值大于预设的热故障临界值，则根据器件温度和所述温度差值，生成过热故障的告警信息。
更为具体地，如图5所示，基于神经网络模型ANN0和ANNs对大电流开关柜在当前时刻、当前电流负载情况下梅花触头与静触头搭接点处的温度值进行预测时，利用训练好的神经网络模型ANN0导出梅花触头反算温度Th，同时利用训练好的神经网络模型ANNs导出梅花触头正常状况温度Tc，最后利用温度差值计算公式对每个开关柜的热状态进行判断。实施例中，温度差值计算公式如下：
其中，Th为梅花触头反算温度；Tc为梅花触头正常状况下的应有温度；T0为环境温度；δT为相对温差。进一步地，根据计算得到的相对温差δT，以40%相对温差作为热缺陷转为热故障的临界值，超过40%的相对温差则将立刻触发告警信息。实施例中通过设置热故障临界值的方式，能够更为准确对过热故障进行判断，并使得告警信息的触发更为准确。
在其中一个实施例中，实施例中方法还可以包括以下步骤：
步骤一，若所述温度差值不大于预设的热故障临界值，则生成过热预警事件。
步骤二，根据所述温度差值生成所述过热预警事件对应的预警值。
步骤三，在预设时间周期内，监测所述预警事件的事件发生频率，根据所述事件发生频率对所述预警值进行更新。
步骤四，若更新后的所述预警值不小于预设的预警阈值，则根据所述预警事件生成过热故障的告警信息。
实施例中，过热预警事件是指可能形成过热故障的隐患事件；预警值则是用于描述过热预警事件的危险程度，即预警值大于特定数值时，则需要对过热预警事件生成相应的告警信息。
具体在实施例中，如前述实施所描述的步骤计算得到的相对温差δT，以40%相对温差作为热缺陷转为热故障的临界值，超过40%的相对温差则将立刻触发告警信息。但是，当温度差值未超过40%时，实施例可以将δT按每5%为一等级，共划分8个等级，具体划分结果如表1所示：
表1 相对温差计算值等级划分表
更为具体地，如图6所示，实施例中服务器基于表1所记载的状态划分规则，对第n日的相对温差等级进行判断，若划分为1级，则表明触头接触状态正常；若划分等级超过4级，则说明触头存在明显异常，发出告警需及时安排运维人员检修；若划分等级大于1级而小于等于4级，则在首次出现这个等级区间的时候，将触头状态标记为异常，进行下一步的算法判断，以鉴别异常是由于计算误差导致的级别增加还是因为触头存在接触缺陷。若相对温差级别判断为异常，则转入 “N+3”判断流程：当in首次出现大于1小于等于4的等级时，为该日状态等级设置一个附加状态量—预警值w。w等于4用于表征异常状态存在的等级，并之后的三天进行连续的判断来识别是否存在接触缺陷。
更为具体地，如图7所示，在第n天出现异常，设置预警值wn=4；第n+1天，若状态等级大于等于第n天状态等级则预警值增加1，若状态等级大于4则立刻发出告警，即认为状态等级大于4时，为明显接触异常，不是由计算误差所导致，若状态等级小于第n天状态等级，则预警值减小1；第n+2天和第n+3天进行同样的判断。在第n+3天判断出的预警值若等于1则认为第n天的异常状态为计算误差所致，将开关柜状态信息更新为正常状态；若不等于1则认为开关柜存在接触缺陷，并发出告警，需要人工介入进行分析，判断是否需要安排检修工作。如图8所示，在连续三天的预警值判断中，若状态等级出现大于4时，立刻终止判断直接发出告警。在一些其他的实施场景中，对于状态等级并未大于的4的异常告警，可以采用24小时密集评估的方式对其工作时的温度状态进行监测，若在24小时内出现预警值大于4的情况，则立即进行故障告警；在完成连续三天的判断后，预警值重置，在之后出现异常时重复以上流程进行判断。实施例提供的方法引入“N+3”判断流程能够对目标电能枢纽中过热故障的隐患进行精细的判断，一方面使得告警信息的触发更加准确，另一方面也是的对故障隐患的排查也更为全面。
结合说明书附图9，以大电流开关柜作为目标电能枢纽设备进行过热故障预警的具体实施场景为例，对本申请技术方案所提供的过热故障的预警方法进行更为完整的步骤描述如下：
步骤一，对大电流开关柜进行三维建模，并对大电流开关柜的几何结构进行简化，去除掉柜体螺钉孔、绝缘部件凸起等不利于有限元网格剖分的结构。
步骤二，基于简化后的开关柜三维模型进行有限元模型的仿真，随后根据开关柜的负荷电流I、环境温度TA、三相上下梅花触头与静触头搭接点处的接触电阻RT1~RT6等参数的变化范围，利用热场-电场-流场多物理场耦合仿真得到不同参数组合下的开关柜温度场分布。
步骤三，根据变电站内温度传感器的实际装设位置，导出不同参数组合下仿真模型中传感器装设点与三相上下梅花触头与静触头搭接点处的温度数据。
步骤四，将步骤三中所得温度数据对应的负荷电流I、环境温度TA以及传感器装设点处的温度TM1~ TM6作为输入变量、三相上下梅花触头与静触头搭接点处的温度T1~ T6作为输出变量训练BP神经网络模型。
步骤五，提取步骤三中接触电阻正常对应的温度数据部分，将负荷电流I、环境温度TA以及传感器装设点处的温度TM1~ TM6作为输入变量，将三相上下梅花触头与静触头搭接点处的正常温度Tc1~ T c6分别作为输出变量训练得到BP神经网络模型ANNs（s=1,···,6）。
步骤六，针对每个大电流开关柜，基于现场的环境温度、负荷电流大小以及温度传感测点的实时数据，利用步骤四训练好的神经网络模型ANN0导出梅花触头反算温度Th，同时利用步骤五训练好的神经网络模型ANNs导出梅花触头正常状况温度Tc，最后利用相对温差计算公式对每个开关柜的热状态进行判断。
步骤七，针对步骤六计算得到的相对温差δT，以40%相对温差作为热缺陷转为热故障的临界值，超过40%的相对温差则需立即停电检修。
步骤八，若未超过40%时，对第n日的相对温差等级进行判断，若划分为1级，则表明触头接触状态正常；若划分等级超过4级，则说明触头存在明显异常，发出告警需及时安排运维人员检修；若划分等级大于1级而小于等于4级，则在首次出现这个等级区间的时候，将触头状态标记为异常，进行下一步的算法判断，以鉴别异常是由于计算误差导致的级别增加还是因为触头存在接触缺陷。
步骤九，若步骤八中的相对温差级别判断为异常，则转入“N+3”判断流程：当in首次出现大于1小于等于4的等级时，为该日状态等级设置一个附加状态量—预警值w。w等于4用于表征异常状态存在的等级，并之后的三天进行连续的判断来识别是否存在接触缺陷。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的过热故障的预警方法的过热故障的预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个过热故障的预警装置实施例中的具体限定可以参见上文中对于过热故障的预警方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种过热故障的预警装置，包括：温度采集模块110、负荷监测模块120、温度预测模块130和故障告警模块140，其中：
温度采集模块110，用于获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内的传感器对目标器件进行温度监测得到的温度值；
负荷监测模块120，用于采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
温度预测模块130，用于将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型中预测得到所述目标电能枢纽中目标器件的器件温度；
故障告警模块140，用于当所述器件温度大于所述目标器件的额定温度时，根据所述器件温度生成过热故障的告警信息。
在一个实施例中，温度采集模块110还用于获取所述目标电能枢纽对应的三维模型、以及对目标器件进行温度监测的传感器装设位置；根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场；根据所述传感器装设位置，从所述温度场中提取得到所述初始监测温度。
在一个实施例中，温度采集模块110还用于对所述三维模型的几何结构进行简化；将简化后的所述三维模型进行有限元拆分；根据拆分后得到的有限元单元生成所述三维模型对应的有限元模型；根据所述内部环境温度，生成所述有限元单元对应的单元温度；根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场。
在一个实施例中，温度采集模块110还用于获取所述负荷电流数据和所述目标器件对应的电阻值；基于所述负荷电流数据、所述电阻值、以及所述单元温度，对所述有限元模型进行多物理场耦合，生成所述目标电能枢纽对应的温度场。
在一个实施例中，装置还包括模型训练模块，该模块用于获取训练数据集，所述训练数据集包括样本数据和样本标签，所述样本数据包括多个电能枢纽对应的历史温度值和历史电流数据，所述样本标签包括所述多个电能枢纽中历史器件对应的器件温度值；将所述样本数据输入至待训练的神经网络模型，预测得到所述历史器件对应的预测温度值；计算所述预测温度值与所述器件温度值之间的相对差值；对所述神经网络模型的模型参数进行更新，直至所述相对差值不大于预设的温度差阈值，根据更新后的模型参数得到已训练的神经网络模型。
在一个实施例中，故障告警模块140还用于获取所述器件温度与所述额定温度之间的温度差值；若所述温度差值大于预设的热故障临界值，则根据所述器件温度和所述温度差值，生成过热故障的告警信息。
在一个实施例中，故障告警模块140还用于若所述温度差值不大于预设的热故障临界值，则生成过热预警事件；根据所述温度差值生成所述过热预警事件对应的预警值；在预设时间周期内，监测所述预警事件的事件发生频率，根据所述事件发生频率对所述预警值进行更新；若更新后的所述预警值不小于预设的预警阈值，则根据所述预警事件生成过热故障的告警信息。
上述过热故障的预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图11所示。该电子设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储电能枢纽设备在运行时的各项状态数据。该电子设备的输入/输出接口用于处理器与外部设备之间交换信息。该电子设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种过热故障的预警方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的器件，或者组合某些器件，或者具有不同的器件布置。
在一个实施例中，还提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了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器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种过热故障的预警方法，其特征在于，所述方法包括：
获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；
采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；
若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。
2.根据权利要求1所述的方法，其特征在于，所述初始监测温度的获取方式包括：
获取所述目标电能枢纽对应的三维模型、以及对目标器件进行温度监测的传感器装设位置；
根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场；
根据所述传感器装设位置，从所述温度场中提取得到所述初始监测温度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场包括：
对所述三维模型的几何结构进行简化；
将简化后的所述三维模型进行有限元拆分；
根据拆分后得到的有限元单元生成所述三维模型对应的有限元模型；
根据所述内部环境温度，生成所述有限元单元对应的单元温度；
根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场。
4.根据权利要求3所述的方法，其特征在于，所述根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场包括：
获取所述负荷电流数据和所述目标器件对应的电阻值；
基于所述负荷电流数据、所述电阻值、以及所述单元温度，对所述有限元模型进行多物理场耦合，生成所述目标电能枢纽对应的温度场。
5.根据权利要求1的方法，其特征在于，在将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度之前，包括：
获取训练数据集，所述训练数据集包括样本数据和样本标签，所述样本数据包括多个电能枢纽对应的历史温度值和历史电流数据，所述样本标签包括所述多个电能枢纽中历史器件对应的器件温度值；
将所述样本数据输入至待训练的神经网络模型，预测得到所述历史器件对应的预测温度值；
计算所述预测温度值与所述器件温度值之间的相对差值；
对所述神经网络模型的模型参数进行更新，直至所述相对差值不大于预设的温度差阈值，根据更新后的模型参数得到已训练的神经网络模型。
6.根据权利要求1-5任意一项所述的方法，其特征在于，根据所述器件温度生成过热故障的告警信息包括：
获取所述器件温度与所述额定温度之间的温度差值；
若所述温度差值大于预设的热故障临界值，则根据所述器件温度和所述温度差值，生成过热故障的告警信息。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若所述温度差值不大于预设的热故障临界值，则生成过热预警事件；
根据所述温度差值生成所述过热预警事件对应的预警值；
在预设时间周期内，监测所述预警事件的事件发生频率，根据所述事件发生频率对所述预警值进行更新；
若更新后的所述预警值不小于预设的预警阈值，则根据所述预警事件生成过热故障的告警信息。
8.一种过热故障的预警装置，其特征在于，所述装置包括：
温度采集模块，用于获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内的传感器对目标器件进行温度监测得到的温度值；
负荷监测模块，用于采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；
温度预测模块，用于将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型中预测得到所述目标电能枢纽中目标器件的器件温度；
故障告警模块，用于当所述器件温度大于所述目标器件的额定温度时，根据所述器件温度生成过热故障的告警信息。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311432185.9A CN117419829A (zh) | 2023-10-31 | 2023-10-31 | 过热故障的预警方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311432185.9A CN117419829A (zh) | 2023-10-31 | 2023-10-31 | 过热故障的预警方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117419829A true CN117419829A (zh) | 2024-01-19 |
Family
ID=89532308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311432185.9A Pending CN117419829A (zh) | 2023-10-31 | 2023-10-31 | 过热故障的预警方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117419829A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及系统 |
| CN118394607A (zh) * | 2024-06-27 | 2024-07-26 | 之江实验室 | 一种计算集群温度告警方法、装置、存储介质及电子设备 |
-
2023
- 2023-10-31 CN CN202311432185.9A patent/CN117419829A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及系统 |
| CN117629422B (zh) * | 2024-01-25 | 2024-05-10 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及系统 |
| CN118394607A (zh) * | 2024-06-27 | 2024-07-26 | 之江实验室 | 一种计算集群温度告警方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN116455085B (zh) | 一种电池储能电站智能监控系统 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN115935264B (zh) | 一种基于时空信息同步学习的电网暂态电压稳定评估方法 | |
| 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 | |
| CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
| Zhan et al. | Development of a low-cost self-diagnostic module for oil-immerse forced-air cooling transformers | |
| CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
| CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
| CN113838269A (zh) | 一种低压开关柜温湿度监测和预警方法、系统及存储介质 | |
| CN117611135A (zh) | 一种可视化设备运维管控方法及系统 | |
| Lei et al. | Research on electrical equipment monitoring and early warning system based on Internet of things technology | |
| CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
| CN117852773B (zh) | 一种配电网路故障定位系统 | |
| CN117639228A (zh) | 基于数字孪生的配电网运行状态预测方法及系统 | |
| Parizad et al. | A laboratory set-up for cyber attacks simulation using protocol analyzer and RTU hardware applying semi-supervised detection algorithm | |
| CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及系统 | |
| CN107818523A (zh) | 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法 | |
| Li et al. | Real time evaluation algorithm for measurement performance of substation voltage transformer based on artificial neural network | |
| CN107482783B (zh) | 一种厂用电监测及控制综合智能化系统 | |
| Pathania et al. | The iot solution for reliable transformer condition monitoring and maintenance | |
| Huang et al. | The system of temperature rise monitoring and temperature prediction for power equipment | |
| CN111199254A (zh) | 基于rbf神经网络和贝叶斯网络的高压电气设备实时检测方法 | |
| CN104751281A (zh) | 一种氧化锌避雷器设备的自动工况评价方法 |
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 |