CN117452148B

CN117452148B - 一种环网柜的智能监控方法

Info

Publication number: CN117452148B
Application number: CN202311782582.9A
Authority: CN
Inventors: 钟兰芬
Original assignee: Sinmasmart Electric Co ltd
Current assignee: Sinmasmart Electric Co ltd
Priority date: 2023-12-22
Filing date: 2023-12-22
Publication date: 2024-03-26
Anticipated expiration: 2043-12-22
Also published as: CN117452148A

Abstract

本发明涉及故障预警技术领域，尤指一种环网柜的智能监控方法，通过实时采集电缆接头的图像、接头振动数据和电缆接口振动数据，结合时间序列分析生成振动曲线，再利用深度学习技术进行特征提取和相似度评估，本方案能够绘制出振动数据的相似度趋势曲线。通过络分析这些趋势曲线，实现预测电缆接头的松动风险，并据此生成状态分数。将预测的风险分值与状态分进行加权平均后，生成一个预警分值，用以评估是否需要进行维护。如果预警分值超过设定的安全指数阈值，系统将自动产生维护警告报告，从而允许及时的维护干预，减少潜在的运行风险。这种方法不仅提高了电力系统的运行可靠性，还优化了维护资源的分配，确保了电网的稳定和安全。

Description

一种环网柜的智能监控方法

技术领域

本发明涉及故障预警技术领域，尤指一种环网柜的智能监控方法。

背景技术

环网柜是电力系统中的一种重要配电设备，广泛应用于城市电网、工矿企业、居民区以及商业中心等场景。它通过配置多路电源和自动化开关设备，能够在一条供电线路出现故障时，自动切换到其他供电线路，确保供电的连续性和可靠性。这种设备在保障城市电网稳定、提高供电可靠性、减少停电事件和优化电力资源配置中起到了至关重要的作用。

在现有的环网柜设计中，电缆的固定通常采用套管式固定方式。这种固定方式的主要优点是安装方便、成本相对较低，以及能够在一定程度上保护电缆避免直接受到外界的机械损伤。但是，套管式固定方式也存在一些不足。在特定的工作环境下，比如温度波动大、机械振动频繁、安装空间狭小或者电缆经历多次热胀冷缩周期的场景中，套管固定的电缆接头可能会逐渐松动。这种松动可能导致接触电阻增大，热损失上升，甚至可能引起电缆接头的过热、电弧甚至短路故障，对电力系统的安全稳定运行构成威胁。

现有公开号为CN114838756B，名称为一种智能环网柜监控系统的发明专利，通过红外线光幕组，布置在智能环网柜内，获取环网柜内各线路、开关和电子元件的外形参数；传感器组，通过自粘式安装带安装在智能环网柜内，获取环网柜内部的环境参数；工况接入模块，获取智能环网柜的实时的工况参数；以及PC机，接收红外线光幕组、传感器组和工况接入模块获取的参数，并将所接收的参数与设定的标准参数进行对比，以生成监测报告；实现环网柜内环境全面化、智能化动态实时跟踪，且可以实现故障原因的快速定位，有效地提高了环网柜运行的安全性，减少损失。但其无法实现对常用的套管固定的电缆接头实现故障预测，其只能在故障发生时才对故障进行定位，因此仍会产生因故障带来的损失，因此需要提出一种可实现电缆接头故障预测的方法。

发明内容

为解决上述问题，本发明提供一种环网柜的智能监控方法。

为实现上述目的，本发明采用的技术方案是：

一种环网柜的智能监控方法，包括：

实时获取电缆接头的图像、接头振动数据和电缆接口振动数据；

对接头振动数据和电缆接口振动数据分别进行时间序列处理，生成接头振动曲线和电缆接口振动曲线；

基于深度神经网络对接头振动曲线和电缆接口振动曲线进行时间戳对齐并进行特征比对，实时获取相似度值，根据连续时间上的相似度值绘制相似度趋势曲线；

根据相似度趋势曲线进行接头松动预测，根据预测结果对接头图像进行状态识别，生成状态分C；

基于所述预测结果和状态分C进行加权平均，生成预警分值W；

根据预警分值W生成维护报告。

进一步地，所述接头振动数据和电缆接口振动数据均通过捕捉时间点的振动强度获取。

进一步地，所述时间序列处理包括：

以振动强度为竖轴，以时间为横轴对时间点的振动强度进行数据点的标记；

对相邻的数据点按照时间顺序进行连接，生成振动曲线。

进一步地，所述时间序列处理还包括对振动曲线进行去噪和缺失值补偿。

进一步地，所述基于深度神经网络对接头振动曲线和电缆接口振动曲线进行时间戳对齐并进行特征比对包括：

基于卷积神经网络，使用滤波器提取振动曲线的特征，包括峰值、周期性、频域特征以及能量分布；

通过对接头振动曲线和电缆接口振动曲线进行实时时间段内的特征比对并进行综合打分，得到相似度值。

进一步地，所述根据相似度趋势曲线进行接头松动预测包括：

基于长短期记忆网络对相似度趋势曲线进行预测分析，生成预测结果，所述预测结果包括相似度在未来时间里到达松动风险值的所需时间和预测风险分值P，所述预测风险分值P与相似度在未来时间里到达松动风险值的所需时间呈负相关。

进一步地，所述根据预测结果对接头图像进行状态识别包括：

当所述相似度在未来时间里到达松动风险值的所需时间高于预设天数时，判定为无需维护；

当所述相似度在未来时间里到达松动风险值的所需时间低于预设天数时，对电缆接头的图像进行边缘检测和形状识别，评估接头的物理状态并生成状态分C。

进一步地，所述基于所述预测结果和状态分C进行加权平均的公式如下：

，

上式中，W为预警分值，为预测风险分值的权重系数，P为预测风险分值，/>为状态分的权重系数，C为状态分。

进一步地，所述预测风险分值的权重系数大于所述状态分的权重系数/>。

进一步地，所述根据预警分值W生成维护报告包括：

当预警分值W高于或等于预设安全指数时，生成待维护警告；

当预警分值W低于预设安全指数时，不生成待维护警告。

本发明的有益效果在于：与现有技术相比，本发明能够实时获取电缆接头的图像和振动数据，并对这些数据进行深入分析。具体来说，通过时间序列处理生成接头振动曲线和电缆接口振动曲线，利用深度神经网络对曲线进行时间戳对齐和特征比对，进而实时获得相似度值，并绘制相似度趋势曲线。此外，利用长短期记忆网络（LSTM）对相似度趋势曲线进行预测分析，以预测接头可能的松动风险。在预测接头松动时，本发明不仅考虑了振动数据的时间序列特征，还利用图像处理技术对电缆接头的图像进行状态评估，生成状态分C，这一步骤避免了因振动数据采集的装置出现故障或振动数据采集的装置固定不稳定导致的误预警。通过基于接头松动预测的预测结果和状态分C的加权平均，生成预警分值W，并根据该预警分值W生成维护报告。整个过程实现允许维护人员在电缆接头出现故障前就进行干预，显著提高了环网柜运行的安全性和可靠性。

附图说明

图1 是本发明中一种环网柜的智能监控方法的步骤流程图。

图2 是本发明中步骤S2的步骤流程图。

图3 是本发明中步骤S3的步骤流程图。

具体实施方式

请参阅图1-3所示，本发明关于一种环网柜的智能监控方法；

具体地，参照图1，本发明提供一种环网柜的智能监控方法，包括以下步骤：

S1、实时获取电缆接头的图像、接头振动数据和电缆接口振动数据；

其中，接头振动数据和电缆接口振动数据均通过捕捉时间点的振动强度获取。

需要说明的是，电缆接头的图像可以包括彩色图像、黑白图像或通过激光雷达构建的电缆接头ar模型，接头振动数据为电缆本体在工作运行中产生的振动强度数据，电缆接口振动数据为环网柜中用于套接电缆接头设置的固定接口在工作运行中产生的振动强度数据。

其中，一些实施例中，实时获取电缆接头的图像、接头振动数据和电缆接口振动数据，可以包括：通过在接头和电缆接口上分别固定安装振动传感器，然后在环网柜中安装可进行数据收发的装置，在接收到振动传感器的数据信息后进行整合并发送至控制终端进行后续的数据处理。

其中，一些具体实施例中，实时获取电缆接头的图像使用支持1080P以上的摄像头进行图像采集，以保证图像的清晰度并捕捉到电缆接头的状态数据。振动传感器以环绕电缆的方式固定于电缆头的近电缆接头一端以收集接头振动数据，另一振动传感器可以粘接或用螺丝固定于电缆接口端，保证了振动数据采集的稳定性和准确性。

S2、对接头振动数据和电缆接口振动数据分别进行时间序列处理，生成接头振动曲线和电缆接口振动曲线；参照图2，步骤S2包括：

S21、以振动强度为竖轴，以时间为横轴对时间点的振动强度进行数据点的标记；

一些具体实施例中，建立一个二维表格对每个时间点的振动强度进行标记，而时间点采用以50毫秒作为单位时间点，以确保能捕捉到振动过程的强度变化，接头振动数据和电缆接口振动数据均以使用同样的方式进行处理。

S22、对相邻的数据点按照时间顺序进行连接，生成振动曲线；

一些具体实施例中，首先数据点已经在前序步骤S21中被标记并准备好，然后，数据处理算法按照时间戳的先后顺序，从最早的时间点开始，将每个相邻的数据点用直线段相连。例如，第一数据点与第二数据点相连，第二数据点与第三数据点相连，以此类推，直至所有点按顺序连接完成。该步骤的结果是一条反映振动强度随时间变化的连续曲线。这条曲线可以揭示振动强度的变化趋势和可能的周期性波动，为进一步的振动分析提供直观的基础。

S23、对振动曲线进行去噪和缺失值补偿；

需要说明的是，去噪处理是指应用数字信号处理技术来减少或消除数据中的噪声成分。在振动传感器中的噪声成分指的是振动传感器的自带振动，也可能源自传感器的内部电子噪声、外部环境的干扰或数据传输过程中的误差。在具体实施中，可以使用多种滤波器技术进行去噪，例如低通滤波器、带通滤波器或适应性滤波器。例如，采用快速傅里叶变换（FFT）对振动数据进行频域分析，然后去除掉非特征频率的信号，再通过傅里叶逆变换将数据转换回时域，得到去噪后的信号。

缺失值补偿是指在数据中填补缺失的测量点，以避免分析中的不连续性。在实际工作中，数据丢失可能是由于传感器故障、数据采集间断或传输错误造成的。为了补偿这些缺失值，可以采用线性插值、样条插值或高级的统计方法如时间序列分析。例如，如果在连续时间序列中丢失了某一时刻的数据点，可以通过前后数据点的趋势来估算该时刻的数据值，从而维持数据的完整性和连续性。

在一些具体实施例中，去噪和缺失值补偿过程可以结合使用，例如先对数据进行去噪处理，再进行缺失值补偿。这样的处理顺序有助于避免噪声的影响扩散到补偿的数据点中，确保补偿后的数据更加准确。

S3、基于深度神经网络对接头振动曲线和电缆接口振动曲线进行时间戳对齐并进行特征比对，实时获取相似度值，根据连续时间上的相似度值绘制相似度趋势曲线；参阅图3，步骤S3包括：

S31、基于卷积神经网络，使用滤波器提取振动曲线的特征，包括峰值、周期性、频域特征以及能量分布；

需要说明的是，深度学习模型中的卷积神经网络（CNN）被用于提取振动曲线中的关键特征。这一过程包括应用一系列的滤波器或卷积核，它们在振动数据的时间序列上移动，以识别和提取曲线的特征。这些特征包括峰值（振动强度的最高点），周期性（振动模式重复出现的频率），频域特征（振动信号在频率领域的分布情况）以及能量分布（振动信号在不同频率上的能量分布情况）。

在一些具体实施例中，首先需要对接头振动数据和电缆接口振动数据进行预处理，以确保数据质量并提高特征提取的准确性。预处理步骤可能包括标准化数据，使其具有统一的尺度，以及应用高通或低通滤波器以去除噪声或不相关的频率成分。随后，设计并应用卷积神经网络模型。在这一模型中，每个滤波器都专门用来识别数据中的一种特定模式或特征。通过在振动曲线上滑动这些滤波器，网络能够创建一个特征图（feature map），该特征图突出显示了数据中最显著的特征。例如，一个滤波器可能识别振动曲线上的尖峰，而另一个滤波器可能专注于捕捉周期性的波形。

另一方面，网络的深层结构允许它学习更复杂的特征表示，从简单的边缘和轮廓到更高级别的抽象概念，如振动模式的整体形状和结构。经过训练的卷积神经网络能够将振动曲线中的这些特征与历史数据或已知的正常振动模式进行比较，以实现实时监控和分析。通过精确地提取这些特征，S31步骤使得后续的特征比对和相似度计算更为可靠，从而为环网柜的状态监测和故障预测提供了一个坚实的基础。

S32、通过对接头振动曲线和电缆接口振动曲线进行实时时间段内的特征比对并进行综合打分，得到相似度值；

在一些具体实施例中，首先定义一个评分机制，该机制可能包括不同特征的权重分配，反映出各特征对于总体振动状态影响的重要性。例如，频域特征的微小变化可能比峰值的变化更能指示潜在的故障发展，因此可以给予更高的权重。接下来，实时地收集新的振动数据，并使用在步骤S31中定义的CNN模型提取特征。然后，这些特征与预先定义的参考特征或历史数据进行比对。特征比对过程中，可以使用多种算法，如欧几里得距离、余弦相似度或动态时间弯曲（Dynamic Time Warping，DTW）等，来度量两个特征集之间的差异。随后，根据特征比对结果，通过综合打分方法计算出一个相似度分数。这个分数将直接反映出当前振动状态与正常或异常振动模式的匹配程度。如果相似度分数低于某个阈值，这可能表明电缆接头或接口处存在异常振动，需要进一步的检查或干预。

S33、根据连续时间上的相似度值绘制相似度趋势曲线；

在一些具体实施例中，首先需要收集一系列的相似度值，这些值是通过步骤S32的特征比对和综合打分计算得到的。然后，将这些数据点以时间戳为横轴，相似度值为纵轴，绘制在图表上。可以使用自动数据绘图系统，如时间序列数据库和图形展示软件实现。

S4、根据相似度趋势曲线进行接头松动预测，根据预测结果对接头图像进行状态识别，生成状态分C；步骤S4包括：

S41、根据相似度趋势曲线进行接头松动预测，包括：

需要说明的是，实施了基于长短期记忆网络（LSTM）的预测分析方法，以预测电缆接头的松动风险。长短期记忆网络是一种循环神经网络，适合于时间序列数据的预测，能够学习并记忆长期的依赖信息。

在一些具体实施例中，首先，从步骤S33中获得的相似度趋势曲线中提取数据，并将这些数据作为输入提供给LSTM模型。在实施例中，模型的训练可以使用历史数据进行，其中包括在相似特征下的曲线走势。训练过程中，模型会学习到什么样的趋势或模式可能预示着接头松动的风险。

在预测分析阶段，LSTM模型会处理最新的趋势数据，并输出对未来一段时间内相似度值的预测。这些预测值将被用来估计相似度达到预定的松动风险值所需的时间。同时，根据模型的输出和预定的风险评估标准，生成一个预测风险分值P，该分值反映了在未来一段时间内接头松动的概率和严重性。

在一些具体实施例中，预测风险分值P与相似度到达松动风险值所需时间之间的关系是负相关的，即风险分值越高，意味着松动风险出现的时间越短，从而需要更迅速的响应和干预措施。为了提高预测的准确度，还可以将LSTM模型与其他机器学习技术结合使用，如支持向量机（SVM）或梯度提升树（GBT），来进一步分析和验证预测结果。

S42、根据预测结果对接头图像进行状态识别，生成状态分C；包括：

在一些具体实施例中，首先设定一个预定的时间阈值，这个阈值是基于历史数据和风险管理策略确定的，用来区分何时需要进行维护。如果LSTM模型预测的松动风险值到达所需时间超过了这个预设天数，系统将判定电缆接头的状态稳定，无需立即进行维护。

相反，如果预测的时间低于预设天数，这表明电缆接头可能很快会出现松动问题，需要立即进行更深入的分析。在这种情况下，系统将自动启动图像分析程序，采用高分辨率摄像头获取的电缆接头图像作为输入。图像处理算法将进行边缘检测，以突出显示电缆接头的轮廓线条，然后进行形状识别，以检测电缆接头的形态变化，这些变化可能是由于松动、磨损或其他物理损伤引起的。图像分析完成后，系统将根据接头的物理状态给出一个状态分C。这个分数是根据电缆接头图像的分析结果与预设的状态参考模型进行比对得出的，其中可能包括接头的对称性、对齐情况、以及与正常状态相比的形态差异等因素。

S5、基于所述预测结果和状态分C进行加权平均，生成预警分值W；

其中，基于所述预测结果和状态分C进行加权平均的公式如下：

，

需要说明的是，综合前面步骤得到的接头松动预测的预测结果和状态分C，以此来生成一个综合的预警分值W。这个预警分值W将用于评估电缆接头的整体健康状况，并决定是否需要采取维护措施。生成预警分值W的过程中，采用了一个加权平均公式，该公式综合考虑了预测风险分值P和状态分C的重要性。

具体实施例中，预测风险分值P和状态分C都是通过之前的分析步骤得到的。预测风险分值P反映了接头可能出现松动的风险程度，而状态分C则是基于图像分析评估的接头物理状态。两者都是评估电缆接头健康状态的重要指标。

为了得到预警分值W，每个分值将乘以一个权重系数，并将结果相加。权重系数和/>分别对应于预测风险分值P和状态分C，它们的值可以根据实际监控需求和历史数据统计来调整。

进一步地，所述预测风险分值的权重系数大于所述状态分的权重系数/>；

具体的，这种设定基于一个核心原则，即预测未来的风险并采取预防措施通常比仅仅根据当前状态采取行动更为重要。预测风险分值P是基于长短期记忆网络分析相似度趋势曲线得出的，能够提供有关未来电缆接头可能达到松动风险阈值所需时间的重要信息。因此，它在预警系统中被认为是更具预测性的指标。例如，如果设为0.6而/>设为0.4，这表明预测风险分值P的影响是状态分C的1.5倍。这种权重分配有利于更早地识别潜在风险，并提前采取维护或修复措施，以避免可能的故障或事故。通过这种方式，该智能监控方法能够在保持对当前状态评估的同时，更加注重对未来风险的预测和预防。这种前瞻性的风险评估策略有助于提高环网柜的运行安全性和可靠性，减少由于电缆接头松动引起的电力故障和服务中断，确保电力供应的稳定性。也避免了因振动数据采集的装置出现故障或振动数据采集的装置固定不稳定导致的误预警。

S6、根据预警分值W生成维护报告；包括：

当预警分值W高于或等于预设安全指数时，生成待维护警告；

当预警分值W低于预设安全指数时，不生成待维护警告。

需要说明的是，预设安全指数基于历史数据、环网柜的运行环境、制造商的规范以及维护周期等因素综合确定的一个阈值。它代表了电缆接头在正常运行状态下的预期风险水平，也是衡量当前状态是否需要进行维护的标准。

当预警分值W高于或等于预设安全指数时，表明电缆接头存在较高的松动风险或者已经达到了可能影响环网柜正常运行的程度。在这种情况下，系统会自动生成一份待维护警告。这份警告会详细说明导致高风险评分的因素，可能包括但不限于振动数据的异常、图像识别中发现的接头物理状态问题，以及未来风险预测等。

如果预警分值W低于预设的安全指数，则表明环网柜当前处于安全运行状态，无需进行即刻维护。在这种情况下，系统不会生成维护警告。这有助于避免不必要的维护操作和可能的经济损失，同时也保证了环网柜的运行效率。

以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims

1.一种环网柜的智能监控方法，其特征在于，包括：

实时获取电缆接头的图像、接头振动数据和电缆接口振动数据，所述接头振动数据为电缆本体在工作中产生的振动强度数据，所述电缆接口振动数据为环网柜中用于套接电缆接头的固定接口在工作中产生的振动强度数据；

基于所述预测风险分值P和状态分C进行加权平均，生成预警分值W；

根据预警分值W生成维护报告；

所述基于深度神经网络对接头振动曲线和电缆接口振动曲线进行时间戳对齐并进行特征比对包括：

通过对接头振动曲线和电缆接口振动曲线进行实时时间段内的特征比对并进行综合打分，得到相似度值；

根据连续时间上的相似度绘制相似度趋势曲线；

所述根据相似度趋势曲线进行接头松动预测包括：

基于长短期记忆网络对相似度趋势曲线进行预测分析，生成预测结果，所述预测结果包括相似度在未来时间里到达松动风险值的所需时间和预测风险分值P；

所述根据预测结果对接头图像进行状态识别包括：

2.根据权利要求1所述的一种环网柜的智能监控方法，其特征在于，所述接头振动数据和电缆接口振动数据均通过捕捉时间点的振动强度获取。

3.根据权利要求2所述的一种环网柜的智能监控方法，其特征在于，所述时间序列处理包括：

对相邻的数据点按照时间顺序进行连接，生成振动曲线。

4.根据权利要求3所述的一种环网柜的智能监控方法，其特征在于，所述时间序列处理还包括对振动曲线进行去噪和缺失值补偿。

5.根据权利要求1所述的一种环网柜的智能监控方法，其特征在于，所述预测风险分值P与相似度在未来时间里到达松动风险值的所需时间呈负相关。

6.根据权利要求5所述的一种环网柜的智能监控方法，其特征在于，所述基于比对结果和状态分C进行加权平均的公式如下：

，

7.根据权利要求6所述的一种环网柜的智能监控方法，其特征在于，所述预测风险分值的权重系数大于所述状态分的权重系数/>。

8.根据权利要求1所述的一种环网柜的智能监控方法，其特征在于，所述根据预警分值W生成维护报告包括：

当预警分值W高于或等于预设安全指数时，生成待维护警告；

当预警分值W低于预设安全指数时，不生成待维护警告。