CN117435969A - 开关柜健康状态评估方法、装置、设备及存储介质 - Google Patents

开关柜健康状态评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117435969A
CN117435969A CN202311150694.2A CN202311150694A CN117435969A CN 117435969 A CN117435969 A CN 117435969A CN 202311150694 A CN202311150694 A CN 202311150694A CN 117435969 A CN117435969 A CN 117435969A
Authority
CN
China
Prior art keywords
switch cabinet
health state
health
operation monitoring
monitoring data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311150694.2A
Other languages
English (en)
Inventor
王小杨
陈丝绸
王乐友
杜永生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHUHAI COMKING ELECTRIC CO Ltd
Beijing Institute of Technology Zhuhai
Original Assignee
ZHUHAI COMKING ELECTRIC CO Ltd
Beijing Institute of Technology Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHUHAI COMKING ELECTRIC CO Ltd, Beijing Institute of Technology Zhuhai filed Critical ZHUHAI COMKING ELECTRIC CO Ltd
Priority to CN202311150694.2A priority Critical patent/CN117435969A/zh
Publication of CN117435969A publication Critical patent/CN117435969A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • 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
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
    • H02B1/24—Circuit arrangements for boards or switchyards
    • 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
    • H02J13/00002—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
    • 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
    • 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
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及开关柜监测领域，公开了开关柜健康状态评估方法、装置、设备及存储介质，该方法用于对开关柜的健康状态进行评估。该方法包括：获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇；获取每个聚类簇对应的健康状态类型，并基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本；将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；获取开关柜实时运行监测数据，将开关柜实时运行监测数据输入开关柜健康状态评估模型以得到开关柜健康状态评估结果。

Description

开关柜健康状态评估方法、装置、设备及存储介质
技术领域
本发明涉及开关柜监测技术领域，尤其涉及一种开关柜健康状态评估方法、装置、设备及存储介质。
背景技术
开关柜是电力系统中关键的组成部分，其稳定运行对于保障电力系统的安全和可靠至关重要。由于开关柜内部结构线路复杂、零件繁多等因素，导致易发生短路故障造成巨大经济损失和安全事故。因此，在事故发生之前能够检测出开关柜内部短路情况的出现，就可以避免不可挽回的重大灾难，因此对开关柜的健康状态进行准确评估具有重要意义。
传统的开关柜健康状态评估方法通常依赖于经验判断或少量监测指标，存在主观性和不准确性的问题。
因此，现有技术还有待改进和发展。
发明内容
本发明提供了一种开关柜健康状态评估方法、装置、设备及存储介质，用于对开关柜的健康状态进行评估。
本发明第一方面提供了一种开关柜健康状态评估方法，所述开关柜健康状态评估方法包括：获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；根据改进的MeanShift算法对所述预处理数据进行聚类，得到多个聚类簇；获取每个所述聚类簇对应的健康状态类型，并基于多个所述聚类簇和与聚类簇对应的健康状态类型生成训练样本；将所述训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；获取开关柜实时运行监测数据，将所述开关柜实时运行监测数据输入所述开关柜健康状态评估模型以得到开关柜健康状态评估结果。
优选地，所述开关柜历史运行监测数据包括三相电缆头温度、内部环境温度、内部环境湿度、三相电压、三相电流、功率因素和电力系统频率。
优选地，所述开关柜健康状态评估结果包括健康状态、亚健康状态、警告状态和严重状态。
优选地，当开关柜的功率因素低于0.9、三相电流负载超标80％且三相不平衡度超15％时，所述开关柜健康状态评估结果为亚健康状态；当开关柜的三相电流负载超标100％且内部环境湿度超过湿度阈值时，所述开关柜健康状态评估结果为警告状态；当内部环境温度超过温度阈值且三相电流负载超标120％时，所述开关柜健康状态评估结果为严重状态。
优选地，所述对开关柜历史运行监测数据进行预处理包括：对所述开关柜历史运行监测数据进行特征缩放。
优选地，所述根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇，包括：
S21、给定d维空间中的n个样本点xi的一个点作为种子点x＝(x1,x2,...xd)，并设置一个搜索窗口，所述搜索窗口的大小为h，通过改进的MeanShift算法密度估计函数计算在搜索窗口内的数据点的密度估计，改进的MeanShift算法密度估计函数Mh的关系式为：
式中，i＝1,2,...,n；x＝x1,x2,...xd；h不大于1，w表示权重，G(·)表示一个单位的核函数；
S22、使用Epanechnikov核函数衡量点在搜索窗口内的权重，Epanechnikov核函数KE的关系式为：
式中μ表示搜索窗口的中心点坐标，||x-μ||表示x和μ之间的欧式距离，Cd是归一化系数，Cd的计算公式为：
Vd表示d维椭球体的体积，的Vd计算公式为：
式中，Γ(·)为伽马函数；
S23、根据权重w对数据点xj进行加权平均，将搜索窗口中心移动到密度质心的位置，密度质心m(x)的关系式为：
式中，xj为搜索窗口内的某一个数据点；
S24、更新种子点，将新的搜索窗口的中心作为新的种子点，并重复步骤S22和步骤S23，直到种子点的位置收敛；
S25、根据最终收敛的种子点，使用Bhattacharyya距离度量来确定相邻的数据点，并将相邻的数据点归为同一聚类簇以得到多个聚类簇，Bhattacharyya距离的系数ρ的关系式为：
式中，ρ的值在[0,1]之间，p(x)表示候选目标模型，q表示目标模型，z为自然数。
本发明第二方面提供了一种开关柜健康状态评估装置，包括：预处理模块，用于获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；聚类模块，用于根据改进的MeanShift算法对所述预处理数据进行聚类，得到多个聚类簇；生成模块，用于获取每个所述聚类簇对应的健康状态类型，并基于多个所述聚类簇和与聚类簇对应的健康状态类型生成训练样本；训练模块，用于将所述训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；评估模块，用于获取开关柜实时运行监测数据，将所述开关柜实时运行监测数据输入所述开关柜健康状态评估模型以得到开关柜健康状态评估结果。
本发明第三方面提供了一种开关柜健康状态评估设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机可读指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以使得所述开关柜健康状态评估设备执行如上所述开关柜健康状态评估方法的各个步骤。
本发明的第四方面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中存储有计算机可读指令，当其在计算机上运行时，使得计算机执行如上所述开关柜健康状态评估方法的各个步骤。
本发明提供的技术方案中，根据改进的MeanShift算法对经过预处理的开关柜历史运行监测数据进行聚类，得到多个聚类簇，并获取每个聚类簇对应的健康状态类型，基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本，将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型，最后通过开关柜健康状态评估模型得到开关柜健康状态评估结果，改进的MeanShift算法对于搜索窗口边界的数据点影响较小，可以更好得出聚类效果，也就是说，使用经过改进的MeanShift算法聚类后形成的训练样本对多层感知分类器模型进行训练，得到的开关柜健康状态评估模型输出的评估结果精度更高，预测更加准确，且管理人员可以根据评估结果提前发现潜在问题并采取相应措施，确保开关柜的正常运行。
附图说明
图1为本发明实施例提供的开关柜健康状态评估方法的种流程图；
图2为本发明实施例提供的开关柜健康状态评估装置的结构示意图；
图3为本发明实施例提供的开关柜健康状态评估设备的结构示意图。
具体实施方式
本发明实施例提供了开关柜健康状态评估方法、装置、设备及存储介质，该方法用于对开关柜的健康状态进行评估。该方法包括：获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇；获取每个聚类簇对应的健康状态类型，并基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本；将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；获取开关柜实时运行监测数据，将开关柜实时运行监测数据输入开关柜健康状态评估模型以得到开关柜健康状态评估结果。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中一种开关柜健康状态评估方法的第一个实施例包括：
S101、获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据。
S102、根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇。
S103、获取每个聚类簇对应的健康状态类型，并基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本。
S14、将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型。
S105、获取开关柜实时运行监测数据，并输入开关柜健康状态评估模型以得到开关柜健康状态评估结果。
可以理解地，本发明的执行主体可以为开关柜健康状态评估装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中，开关柜历史运行监测数据包括三相电缆头温度、环境温度、环境湿度、三相电压、三相电流、功率因素和电力系统频率。
在本实施例中，对开关柜历史运行监测数据进行预处理包括：对开关柜历史运行监测数据进行特征缩放，将不同特征的值范围映射到相同的区间，消除数据指标之间的差异性，以便更好地进行数据分析和建模。常用的特征缩放方法有标准化和归一化。
标准化指的是通过减去均值并除以标准差，将特征的值转换为均值为0，方差为1的标准正态分布。标准化可以保留原始数据的分布形状，并且对异常值不敏感。
归一化指的是通过线性变换将特征的值映射到指定的范围，通常是[0,1]或[-1,1]。归一化可以将特征值映射到相同的尺度，使得它们具有可比性。常用的归一化方法包括最小-最大缩放和特征向量缩放。
最小-最大缩放是将特征值线性映射到指定的最小值和最大值之间。特征向量缩放是将特征值除以其范数，使得特征向量的长度为1。
需要说明的是，在进行特征缩放时，需要对每个特征单独进行缩放，即计算每个特征的均值、标准差或最小值、最大值。然后将每个特征的值根据所选的缩放方法进行转换。
在本实施例中，步骤S102中，MeanShift算法是一种非参数的聚类算法，用于发现数据中的聚集区域。它的原理是通过不断更新数据点的位置，将其移向密度估计最高的区域。MeanShift算法的优势在于可以自动发现数据中的聚类中心，并且对聚类形状和大小没有预设要求。改进的MeanShift算法是对基本的MeanShift向量增加核函数和样本权重，改进的MeanShift算法对于搜索窗口边界的数据点影响较小，可以更好得出聚类效果。
可选地，根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇，包括：
S21、给定d维空间中的n个样本点xi的一个点作为种子点x＝(x1,x2,...xd)，并设置一个搜索窗口，所述搜索窗口的大小为h，通过改进的MeanShift算法密度估计函数计算在搜索窗口内的数据点的密度估计，改进的MeanShift算法密度估计函数Mh的关系式为：
式中，i＝1,2,...,n；x＝x1,x2,...xd；h不大于1，w表示权重，G(·)表示一个单位的核函数；
S22、使用Epanechnikov核函数衡量点在搜索窗口内的权重，Epanechnikov核函数KE的关系式为：
式中μ表示搜索窗口的中心点坐标，||x-μ||表示x和μ之间的欧式距离，Cd是归一化系数，Cd的计算公式为：
Vd表示d维椭球体的体积，的Vd计算公式为：
式中，Γ(·)为伽马函数；
S23、根据权重w对数据点xj进行加权平均，将搜索窗口中心移动到密度质心的位置，密度质心m(x)的关系式为：
式中，xj为搜索窗口内的某一个数据点；
S24、更新种子点，将新的搜索窗口的中心作为新的种子点，并重复步骤S22和步骤S23，直到种子点的位置收敛；
S25、根据最终收敛的种子点，使用Bhattacharyya距离度量来确定相邻的数据点，并将相邻的数据点归为同一聚类簇，从而得到多个聚类簇，Bhattacharyya距离的系数ρ的关系式为：
式中，ρ的值在[0,1]之间，p(x)表示候选目标模型，q表示目标模型，z为自然数。ρ的值越大，表示候选目标模型pu(x)和目标模型qu越相似。
在本实施例中，可以通过观察各聚类簇的数据特征情况，根据技术人员的经验整合确定健康状况类型，并反馈到系统。
在本实施例中，步骤S104中，多层感知分类器模型是一种基于人工神经网络的分类模型。它由多个神经元组成的若干个隐藏层和一个输出层构成。
多层感知分类器包括输入层、隐藏层和输出层。输入层接受特征数据作为输入，每个输入特征对应一个输入神经元。多个隐藏层按顺序连接在输入层之后，每个隐藏层包含多个神经元。隐藏层的作用是通过非线性变换将输入特征映射到高维特征空间中，提取更复杂的特征表示。输出层连接在最后一个隐藏层之后，通常包含与分类标签数量相等的神经元。输出层使用激活函数将隐藏层的输出转换为对应类别的概率或分数。
多层感知分类器的训练过程主要包括前向传播和反向传播两个步骤，前向传播指的是从输入层开始，通过每一层的神经元计算得到输出结果。每个神经元将前一层的输出与对应的权重进行线性组合，并使用激活函数产生输出。反向传播指的根据实际输出与预测输出之间的差异，计算损失函数，并通过梯度下降法调整权重和偏置，使得损失函数最小化。反向传播沿着网络的方向进行，逐层更新权重和偏置。
在训练过程中，可以使用各种优化算法和正则化技术来提高模型的性能和泛化能力。常用的优化算法包括随机梯度下降(SGD)、动量优化、自适应学习率等。
在本实施例中，步骤S105中，开关柜健康状态评估结果包括健康状态、亚健康状态、警告状态和严重状态。
作为举例说明，当开关柜的功率因素低于0.9、三相电流负载超标80％且三相不平衡度超15％时，开关柜健康状态评估结果为亚健康状态；当开关柜的三相电流负载超标100％且内部环境湿度超过湿度阈值时，开关柜健康状态评估结果为警告状态；当内部环境温度超过温度阈值且三相电流负载超标120％时，开关柜健康状态评估结果为严重状态。
可以理解地，上述数据仅为示例，开关柜健康状态评估结果处于不同状态，其各项数据也有所不同。
当开关柜健康状态评估结果为亚健康状态、警告状态和严重状态时，可以根据实际情况对开关柜进行维护。
本实施例中，根据改进的MeanShift算法对经过预处理的开关柜历史运行监测数据进行聚类，得到多个聚类簇，并获取每个聚类簇对应的健康状态类型，基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本，将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型，最后通过开关柜健康状态评估模型得到开关柜健康状态评估结果，改进的MeanShift算法对于搜索窗口边界的数据点影响较小，可以更好得出聚类效果，也就是说，使用经过改进的MeanShift算法聚类后形成的训练样本对多层感知分类器模型进行训练，得到的开关柜健康状态评估模型输出的评估结果精度更高，预测更加准确，且管理人员可以根据评估结果提前发现潜在问题并采取相应措施，确保开关柜的正常运行。
上面对本发明实施例中开关柜健康状态评估方法进行了描述，下面对本发明实施例中装置进行描述请参阅图2，本发明实施例中开关柜健康状态评估装置的实施方式包括：
预处理模块201，用于获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；
聚类模块202，用于根据改进的MeanShift算法对所述预处理数据进行聚类，得到多个聚类簇；
生成模块203，用于获取每个所述聚类簇对应的健康状态类型，并基于多个所述聚类簇和与聚类簇对应的健康状态类型生成训练样本；
训练模块204，用于将所述训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；
评估模块205，用于获取开关柜实时运行监测数据，将所述开关柜实时运行监测数据输入所述开关柜健康状态评估模型以得到开关柜健康状态评估结果。
本实施例中，根据改进的MeanShift算法对经过预处理的开关柜历史运行监测数据进行聚类，得到多个聚类簇，并获取每个聚类簇对应的健康状态类型，基于多个聚类簇和与聚类簇对应的健康状态类型生成训练样本，将训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型，最后通过开关柜健康状态评估模型得到开关柜健康状态评估结果，改进的MeanShift算法对于搜索窗口边界的数据点影响较小，可以更好得出聚类效果，也就是说，使用经过改进的MeanShift算法聚类后形成的训练样本对多层感知分类器模型进行训练，得到的开关柜健康状态评估模型输出的评估结果精度更高，预测更加准确，且管理人员可以根据评估结果提前发现潜在问题并采取相应措施，确保开关柜的正常运行。
上面图2从模块化功能实体的角度对本发明实施例中的开关柜健康状态评估装置进行详细描述，下面从硬件处理的角度对本发明实施例中开关柜健康状态评估设备进行详细描述。
图3是本发明实施例提供的一种开关柜健康状态评估设备的结构示意图，该设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)310(例如，一个或一个以上处理器)和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图未示)，每个模块可以包括对设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在设备300上执行存储介质中的一系列指令操作。
设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行开关柜健康状态评估方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种开关柜健康状态评估方法，其特征在于，所述开关柜健康状态评估方法包括：
获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；
根据改进的MeanShift算法对所述预处理数据进行聚类，得到多个聚类簇；
获取每个所述聚类簇对应的健康状态类型，并基于多个所述聚类簇和与聚类簇对应的健康状态类型生成训练样本；
将所述训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；
获取开关柜实时运行监测数据，将所述开关柜实时运行监测数据输入所述开关柜健康状态评估模型以得到开关柜健康状态评估结果。
2.根据权利要求1所述的开关柜健康状态评估方法，其特征在于，所述开关柜历史运行监测数据包括三相电缆头温度、内部环境温度、内部环境湿度、三相电压、三相电流、功率因素和电力系统频率。
3.根据权利要求2所述的开关柜健康状态评估方法，其特征在于，所述开关柜健康状态评估结果包括健康状态、亚健康状态、警告状态和严重状态。
4.根据权利要求3所述的开关柜健康状态评估方法，其特征在于，当开关柜的功率因素低于0.9、三相电流负载超标80％且三相不平衡度超15％时，所述开关柜健康状态评估结果为亚健康状态；当开关柜的三相电流负载超标100％且内部环境湿度超过湿度阈值时，所述开关柜健康状态评估结果为警告状态；当内部环境温度超过温度阈值且三相电流负载超标120％时，所述开关柜健康状态评估结果为严重状态。
5.根据权利要求1所述的开关柜健康状态评估方法，其特征在于，所述对开关柜历史运行监测数据进行预处理包括：对所述开关柜历史运行监测数据进行特征缩放。
6.根据权利要求1所述的开关柜健康状态评估方法，其特征在于，所述根据改进的MeanShift算法对预处理数据进行聚类，得到多个聚类簇，包括：
S21、给定d维空间中的n个样本点xi的一个点作为种子点x＝(x1,x2,...xd)，并设置一个搜索窗口，所述搜索窗口的大小为h，通过改进的MeanShift算法密度估计函数计算在搜索窗口内的数据点的密度估计，改进的MeanShift算法密度估计函数Mh的关系式为：
式中，i＝1,2,...,n；x＝x1,x2,...xd；h不大于1，w表示权重，G(·)表示一个单位的核函数；
S22、使用Epanechnikov核函数衡量点在搜索窗口内的权重，Epanechnikov核函数KE的关系式为：
式中μ表示搜索窗口的中心点坐标，||x-μ||表示x和μ之间的欧式距离，Cd是归一化系数，Cd的计算公式为：
Vd表示d维椭球体的体积，的Vd计算公式为：
式中，Γ(·)为伽马函数；
S23、根据权重w对数据点xj进行加权平均，将搜索窗口中心移动到密度质心的位置，密度质心m(x)的关系式为：
式中，xj为搜索窗口内的某一个数据点；
S24、更新种子点，将新的搜索窗口的中心作为新的种子点，并重复步骤S22和步骤S23，直到种子点的位置收敛；
S25、根据最终收敛的种子点，使用Bhattacharyya距离度量来确定相邻的数据点，并将相邻的数据点归为同一聚类簇以得到多个聚类簇，Bhattacharyya距离的系数ρ的关系式为：
式中，ρ的值在[0,1]之间，p(x)表示候选目标模型，q表示目标模型，z为自然数。
7.一种开关柜健康状态评估装置，其特征在于，包括：
预处理模块，用于获取开关柜历史运行监测数据，并对开关柜历史运行监测数据进行预处理，得到预处理数据；
聚类模块，用于根据改进的MeanShift算法对所述预处理数据进行聚类，得到多个聚类簇；
生成模块，用于获取每个所述聚类簇对应的健康状态类型，并基于多个所述聚类簇和与聚类簇对应的健康状态类型生成训练样本；
训练模块，用于将所述训练样本输入多层感知分类器模型进行训练，得到开关柜健康状态评估模型；
评估模块，用于获取开关柜实时运行监测数据，将所述开关柜实时运行监测数据输入所述开关柜健康状态评估模型以得到开关柜健康状态评估结果。
8.一种开关柜健康状态评估设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
所述至少一个处理器调用所述存储器中的所述计算机可读指令，以执行如权利要求1-6中任一项所述开关柜健康状态评估方法的各个步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-6中任一项所述开关柜健康状态评估方法的各个步骤。
CN202311150694.2A 2023-09-06 2023-09-06 开关柜健康状态评估方法、装置、设备及存储介质 Pending CN117435969A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311150694.2A CN117435969A (zh) 2023-09-06 2023-09-06 开关柜健康状态评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311150694.2A CN117435969A (zh) 2023-09-06 2023-09-06 开关柜健康状态评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117435969A true CN117435969A (zh) 2024-01-23

Family

ID=89545212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311150694.2A Pending CN117435969A (zh) 2023-09-06 2023-09-06 开关柜健康状态评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117435969A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118445736A (zh) * 2024-07-08 2024-08-06 厦门市百岗电气有限公司 开关柜健康状态监测方法及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118445736A (zh) * 2024-07-08 2024-08-06 厦门市百岗电气有限公司 开关柜健康状态监测方法及设备

Similar Documents

Publication Publication Date Title
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
Lim et al. A time window neural network based framework for remaining useful life estimation
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
Wang et al. Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes
Ranaee et al. Application of the PSO–SVM model for recognition of control chart patterns
CN112200104B (zh) 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法
CN110286279A (zh) 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法
CN110766137A (zh) 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法
US20110191076A1 (en) Error detection method and system
CN115270986A (zh) 数据异常检测方法、装置和计算机设备
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN117435969A (zh) 开关柜健康状态评估方法、装置、设备及存储介质
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN111783845A (zh) 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法
CN117874639A (zh) 基于人工智能的机械设备寿命预测方法及装置
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
CN117633688A (zh) 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法
CN113447759A (zh) 一种多分类的rvm电网故障判别方法和系统
CN115329799A (zh) 桥梁安全状态监测方法、装置、计算机设备和存储介质
CN109902731B (zh) 一种基于支持向量机的性能故障的检测方法及装置
CN116680969A (zh) 一种pso-bp算法的充填体评估参数预测方法及装置
Ghate et al. Induction machine fault detection using support vector machine based classifier
CN114781482A (zh) 一种基于som-m的业扩项目聚类方法、装置、设备和存储介质
CN107563399A (zh) 一种基于知识熵的特征加权谱聚类方法及系统
Sousa et al. Efficient selection of data samples for fault classification by the clustering of the SOM

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