CN117691756A - 配电柜的安全预警管理方法及系统 - Google Patents
配电柜的安全预警管理方法及系统 Download PDFInfo
- Publication number
- CN117691756A CN117691756A CN202410148540.8A CN202410148540A CN117691756A CN 117691756 A CN117691756 A CN 117691756A CN 202410148540 A CN202410148540 A CN 202410148540A CN 117691756 A CN117691756 A CN 117691756A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- data
- target
- feature
- safety
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 566
- 238000007726 management method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 92
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及配电柜安全预警技术领域,公开了一种配电柜的安全预警管理方法及系统。所述方法包括:通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到目标配电运行数据集;进行配电负荷检测,得到配电负荷数据;获取配电安全影响因子并计算电能质量扰动数据和配电分支状态数据;进行特征提取,得到电能质量扰动特征集合和配电分支状态特征集合;进行特征编码和向量拼接,得到目标融合状态特征向量;通过配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据配电柜安全分析结果对目标配电柜进行安全预警管理,生成安全预警管理策略,本申请提高了配电柜的安全预警和管理的准确率。
Description
技术领域
本申请涉及配电柜安全预警技术领域,尤其涉及一种配电柜的安全预警管理方法及系统。
背景技术
在当前的电力系统运营环境中,配电柜作为电力传输和分配的关键设施,其稳定性和安全性对整个电网的可靠运行至关重要。然而,随着电力系统的复杂性日益增加,配电柜面临的运营风险和安全挑战也随之增长。配电柜在运行过程中需承受持续的电气负荷,而电气负荷的不稳定或异常波动导致设备过热、绝缘材料老化、甚至引发火灾等安全事故,这对电力系统的稳定运行构成了严重威胁。
其次,传统的配电柜监控手段大多依赖于定期检查和人工监测,这不仅耗时耗力,而且难以做到实时监控,难以及时发现配电柜在运行中出现的隐患和异常。尤其是在大规模的电力系统中,对所有配电柜进行有效监控更是一项挑战。此外,环境因素(如温度、湿度)和设备本身的老化、维护记录等因素对配电柜的安全性也有重要影响,但这些影响因素在现有的监测系统中往往没有得到充分考虑。
发明内容
本申请提供了一种配电柜的安全预警管理方法及系统,本申请提高了配电柜的安全预警和管理的准确率。
第一方面,本申请提供了一种配电柜的安全预警管理方法,所述配电柜的安全预警管理方法包括:
通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
第二方面,本申请提供了一种配电柜的安全预警管理系统,所述配电柜的安全预警管理系统包括:
监控模块,用于通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
检测模块,用于分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
计算模块,用于获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
提取模块,用于分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
编码模块,用于计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
分析模块,用于将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
本申请提供的技术方案中,通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,实现了从宏观到微观的多层次、精细化管理。这种分层次的监控方式不仅提升了监控的覆盖面和精度,而且有助于快速定位问题所在,实现了精准的故障诊断和处理。通过对配电单元运行数据进行线性变换和协方差矩阵的特征提取,结合主成分分析进行数据降维,有效压缩了数据量,同时保留了数据的关键信息。这不仅提高了数据处理的效率,还增强了后续模型分析的准确性和可靠性。利用预置的配电负荷分析模型,结合特征聚类和中心位移调整,对配电负荷进行智能检测和管理。这一点不仅有助于实时监控和评估配电负荷的变化情况,还能通过智能调整,优化配电负荷,确保电力资源的合理分配和使用。通过分析配电安全影响因子(如环境温度、湿度、设备老化程度及维护记录),结合负载平衡和分支电流稳定性计算,深入分析了电能质量扰动,这有助于全面评估配电系统的稳定性和安全性,及时发现潜在的风险点。结合目标皮尔逊相关系数,对电能质量扰动特征集合和配电分支状态特征集合进行编码和向量拼接。这种高级的数据融合技术不仅提高了数据分析的维度和深度,而且能够揭示不同数据之间的内在联系,为后续的安全分析和预警提供了更为准确和全面的数据支持。通过将融合状态特征向量输入预置的配电柜安全分析模型集(包括弱分类器、注意力机制层和输出层),实现了对配电柜安全状况的智能化分析和预测。这种智能化的安全分析和预警系统能够提供更为精准、及时的安全状态评估和预警,有效避免或减轻电力安全事故的发生,进而提高了配电柜的安全预警和管理的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中配电柜的安全预警管理方法的一个实施例示意图;
图2为本申请实施例中配电柜的安全预警管理系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种配电柜的安全预警管理方法及系统。本申请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,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中配电柜的安全预警管理方法的一个实施例包括:
步骤101、通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
可以理解的是,本申请的执行主体可以为配电柜的安全预警管理系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过分析配电柜的设计文档和实际运行数据,获取目标配电柜的电气结构参数。根据电气结构参数,进行配电单元分析,确定配电柜内各个配电单元的功能、位置和相互关系,以及它们在整个电力系统中的作用,识别出不同的多级配电单元。通过不同的多级配电单元,对目标配电柜进行电力分配和运行数据监控。实时监测配电单元的电流、电压、功率和其他相关参数,从而获取初始配电运行数据集。对初始配电运行数据集进行线性变换,简化数据结构,提高后续处理的效率。数据通过特定的数学方法被转换成更加便于分析和处理的格式,这通常涉及到矩阵运算和数据标准化等技术。分别构建每个线性配电运行数据集的协方差矩阵,揭示数据集中不同变量之间的相互关系。通过对协方差矩阵进行矩阵特征提取,得到多个特征值以及每个特征值对应的特征向量。对特征值进行主成分分析,生成主成分投影矩阵。主成分分析是一种常用的数据降维技术,通过提取数据的主要特征来减少数据的复杂性,同时尽量保留原始数据的重要信息。根据主成分投影矩阵对线性配电运行数据集进行数据降维处理,得到每级配电单元的目标配电运行数据集。
步骤102、分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
具体的,分别将每级配电单元的目标配电运行数据集输入预置的配电负荷分析模型中。模型调用其初始特征中心,这是一种用于识别和分析数据集中不同特征的算法,该算法对每级配电单元的目标配电运行数据集进行特征聚类点计算,生成对应的特征聚类点。这些特征聚类点是对每个配电单元运行状态的数学表征,帮助理解和分析配电单元的负荷情况。对每级配电单元的目标配电运行数据集与特征聚类点进行距离计算,量化数据集中每个点与特征聚类点之间的差异程度。通过计算特征点之间的距离,评估每个配电单元的运行状态与典型负荷模式之间的偏差。对特征点距进行平均值计算,得到对应的平均点距。平均点距是一个关键指标,它代表了整体数据集与特征聚类点之间的平均差异程度,反映了配电单元整体负荷状态的一般特性。通过平均点距对初始特征中心的中心位移进行调整,优化模型,使其更加精确地反映当前的配电负荷情况。目标中心位移的确定是基于实际数据与模型预测之间的偏差,目的是通过调整模型的中心位移,以更好地适应实际的运行数据。调整后,初始特征中心的初始中心位移被替换为目标中心位移,从而得到更新后的目标特征中心。通过目标特征中心对每级配电单元的目标配电运行数据集进行配电负荷聚类计算。将数据分组到不同的聚类中,每个聚类代表了一种特定的负荷模式。聚类计算有助于识别和分类不同的负荷情况,为后续的分析和决策提供重要信息。最终,得到每级配电单元的配电负荷数据。
步骤103、获取目标配电柜的配电安全影响因子,并根据配电安全影响因子和配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
具体的,获取目标配电柜的配电安全影响因子。这些影响因子包括环境温度、湿度、设备老化程度以及维护记录等。通过监测环境温度和湿度,评估环境条件对配电设备的潜在影响。同时,考虑设备的老化程度和维护记录是为了了解设备的当前状态和历史维护情况,这有助于预测和预防潜在故障。根据配电安全影响因子,对配电负荷数据进行谐波失真度和电压波动计算,得到每级配电单元的谐波失真度数据和电压波动数据。谐波失真度数据能够反映电力系统中非线性负载产生的影响,而电压波动数据则显示了电压稳定性的情况。这两种数据的计算不仅基于实际的负荷数据,还需考虑环境和设备条件对电力系统的潜在影响。分别对每级配电单元的谐波失真度数据和电压波动数据进行时序匹配,得到每级配电单元在不同时间点的电能质量扰动数据。将数据按照时间序列进行对齐,确保在分析和比较数据时,时间点相对应,从而保证分析结果的准确性和可靠性。根据配电安全影响因子,对配电负荷数据进行负载平衡和分支电流稳定性计算。负载平衡数据能够显示配电系统中不同分支之间的负载分配情况,而分支电流稳定性数据则反映了各分支电流的稳定性,这些计算有助于识别配电系统中存在的不平衡负载和不稳定分支。分别对每级配电单元的负载平衡数据和分支电流稳定性数据进行时序匹配,得到每级配电单元的配电分支状态数据,通过时间序列的匹配确保数据的一致性和对比的准确性。步骤104、分别对电能质量扰动数据和配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
具体的,对电能质量扰动数据进行特征曲线构建,得到代表电能质量扰动情况的曲线。对电能质量扰动曲线进行曲线特征点提取,从曲线中识别出代表电能质量变化关键点的数据,例如曲线的峰值、谷值或拐点等。这些特征点是电能质量扰动分析的关键,因为它们能够反映出电能质量的重要变化和异常情况。对扰动曲线特征点进行特征聚类分析,得到每个扰动曲线特征点的目标特征聚类结果。将具有相似特性的特征点归类到一起,从而更加精确地理解电能质量扰动的本质和类型。基于聚类结果,生成每级配电单元的电能质量扰动特征集合。对配电分支状态数据进行曲线拟合,生成代表配电分支状态变化的曲线,这些曲线反映了配电分支在不同时间点的运行状态。为了进一步分析这些曲线,计算配电分支状态曲线的标准差数据。标准差数据量化了配电分支状态变化的波动程度,这有助于评估配电系统的稳定性和可靠性。对配电分支状态曲线进行特征点识别,识别出多个候选曲线特征点。根据标准差数据对这些候选曲线特征点进行筛选,以得到最终的状态曲线特征点。这一筛选过程是基于对配电分支状态变化的稳定性和显著性的评估。基于状态曲线特征点,生成每级配电单元的配电分支状态特征集合。
步骤105、计算电能质量扰动数据和配电分支状态数据之间的目标皮尔逊相关系数,并根据目标皮尔逊相关系数对电能质量扰动特征集合和配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
具体的,对电能质量扰动数据进行统计分析,计算其第一均值和第一标准差。第一均值反映了电能质量扰动数据的平均水平,而第一标准差则描述了这些数据的变异程度。类似地,对于配电分支状态数据,计算其第二均值和第二标准差。这些统计量提供了每个数据集的核心特性。基于这些统计量,应用皮尔逊相关系数确定电能质量扰动数据和配电分支状态数据之间的相关性。皮尔逊相关系数是衡量两个变量之间线性关系强度的指标,其值介于-1和1之间。相关系数的计算不仅揭示了两组数据之间的相关性强弱,而且还指示了这种相关性的方向。对电能质量扰动特征集合进行特征编码和向量转换,从而得到电能质量扰动特征向量。将原始特征数据转化为更适合计算和分析的形式,比如通过归一化处理来调整特征值的范围,或者通过独热编码来转换类别特征。同时,对配电分支状态特征集合进行特征编码和向量转换,得到配电分支状态特征向量。根据目标皮尔逊相关系数,对电能质量扰动特征向量和配电分支状态特征向量进行特征向量融合,利用相关系数来指导特征向量的融合方式。例如,如果某一电能质量扰动特征与某一配电分支状态特征高度相关,将这两个特征结合起来,或者调整它们在融合特征向量中的权重。通过这种方式,得到一个综合考虑了电能质量和配电状态多个方面的目标融合状态特征向量。
步骤106、将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据配电柜安全分析结果对目标配电柜进行安全预警管理,生成安全预警管理策略。
具体的,将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集中,该模型集是一个复合型的神经网络结构,包括多个弱分类器、注意力机制层以及输出层。在这个模型集中,每个弱分类器都由卷积和池化层、全连接层以及反归一化层组成,旨在从不同的角度分析和处理输入的特征向量。通过弱分类器中的卷积和池化层对每级配电单元的目标融合状态特征向量进行卷积特征提取。通过卷积操作提取特征向量中的局部特征,并通过池化操作降低特征向量的维度,同时保留最重要的信息。将卷积特征向量送入弱分类器中的全连接层,进行特征降维处理。通过全连接层的权重矩阵将高维的卷积特征转化为更加紧凑的目标特征向量,从而提高后续处理的效率和效果。通过弱分类器中的反归一化层对目标特征向量进行特征反归一化处理,得到每个弱分类器的标准特征向量。反归一化有助于恢复特征向量的原始比例和分布,从而使得特征更加符合实际情况。通过注意力机制层对标准特征向量进行加权,通过计算不同特征的重要性来为特征向量分配不同的权重,从而生成注意力特征向量。注意力机制的应用使得模型能够更加聚焦于那些对安全分析更为关键的特征。通过输出层对注意力特征向量进行配电柜安全分析,得到配电柜的安全分析结果。将注意力特征向量通过输出层的多个神经元进行处理,从而得出关于配电柜安全状态的综合评估。根据安全分析结果,对目标配电柜进行安全预警管理,生成相应的安全预警管理策略。根据分析结果确定配电柜存在的安全隐患,以及制定相应的预防和应对措施,从而确保配电柜的安全运行。
本申请实施例中,通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,实现了从宏观到微观的多层次、精细化管理。这种分层次的监控方式不仅提升了监控的覆盖面和精度,而且有助于快速定位问题所在,实现了精准的故障诊断和处理。通过对配电单元运行数据进行线性变换和协方差矩阵的特征提取,结合主成分分析进行数据降维,有效压缩了数据量,同时保留了数据的关键信息。这不仅提高了数据处理的效率,还增强了后续模型分析的准确性和可靠性。利用预置的配电负荷分析模型,结合特征聚类和中心位移调整,对配电负荷进行智能检测和管理。这一点不仅有助于实时监控和评估配电负荷的变化情况,还能通过智能调整,优化配电负荷,确保电力资源的合理分配和使用。通过分析配电安全影响因子(如环境温度、湿度、设备老化程度及维护记录),结合负载平衡和分支电流稳定性计算,深入分析了电能质量扰动,这有助于全面评估配电系统的稳定性和安全性,及时发现潜在的风险点。结合目标皮尔逊相关系数,对电能质量扰动特征集合和配电分支状态特征集合进行编码和向量拼接。这种高级的数据融合技术不仅提高了数据分析的维度和深度,而且能够揭示不同数据之间的内在联系,为后续的安全分析和预警提供了更为准确和全面的数据支持。通过将融合状态特征向量输入预置的配电柜安全分析模型集(包括弱分类器、注意力机制层和输出层),实现了对配电柜安全状况的智能化分析和预测。这种智能化的安全分析和预警系统能够提供更为精准、及时的安全状态评估和预警,有效避免或减轻电力安全事故的发生,进而提高了配电柜的安全预警和管理的准确率。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)获取目标配电柜的电气结构参数,并根据电气结构参数对目标配电柜进行配电单元分析,得到不同的多级配电单元;
(2)通过不同的多级配电单元,对目标配电柜进行电力分配和运行数据监控,得到每级配电单元的初始配电运行数据集;
(3)分别对初始配电运行数据集进行线性变换,得到线性配电运行数据集;
(4)分别构建每个线性配电运行数据集的协方差矩阵,并对协方差矩阵进行矩阵特征提取,得到多个特征值以及每个特征值对应的特征向量;
(5)对多个特征值进行特征值主成分分析,生成主成分投影矩阵,并根据主成分投影矩阵对线性配电运行数据集进行数据降维处理,得到每级配电单元的目标配电运行数据集。
具体的,获取目标配电柜的电气结构参数。这些参数包括配电柜的配置、各个部件的电气特性等。例如,包括多个断路器、继电器和变压器等组件。根据电气结构参数对目标配电柜进行配电单元分析,识别出不同的多级配电单元,并了解它们在整个配电系统中的作用和关联。例如,一级配电单元负责主要的电流分配,而二级配电单元处理更细分的电流调节。通过不同的多级配电单元,对目标配电柜进行电力分配和运行数据监控,收集有关每级配电单元的运行情况的数据。监控电流、电压、功率等关键参数,以收集每级配电单元的初始配电运行数据集。例如,在一级配电单元中,监测到一定时间内的电压波动和电流负荷数据,这些数据反映了配电单元的运行状态。对初始配电运行数据集进行线性变换,使数据更适合于后续的分析处理。线性变换通常包括标准化或归一化等操作,使得数据集在不同的度量尺度上具有可比性。例如,通过对电流和电压数据进行归一化,将它们转换到统一的比例尺度上,以便于进行比较和分析。分别构建每个线性配电运行数据集的协方差矩阵。协方差矩阵提供了不同变量间相关性的量化表示,有助于理解变量之间的相互影响。例如,通过计算电流和电压数据的协方差矩阵,了解这两个变量是如何相互作用的。对协方差矩阵进行矩阵特征提取,提取矩阵的特征值和对应的特征向量。特征值和特征向量是理解数据主要变化模式的关键,获得数据的特征。对特征值进行主成分分析(PCA),这是一种常用的数据降维技术,在PCA中,通过特征值来确定数据的主要变化方向,生成主成分投影矩阵。该矩阵将原始数据集投影到更低维度的空间中,同时尽保留最重要的信息。例如,如果原始数据集是在三维空间中,通过PCA,将其有效地降维到二维空间,而这两个维度包含了数据的主要变化信息。根据主成分投影矩阵对线性配电运行数据集进行数据降维处理,得到每级配电单元的目标配电运行数据集。例如,在经过PCA处理后,可以更清楚地看到某一配电单元在特定条件下的运行模式,从而更容易识别潜在的问题和风险。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)分别将每级配电单元的目标配电运行数据集输入预置的配电负荷分析模型,并调用配电负荷分析模型的初始特征中心对每级配电单元的目标配电运行数据集进行特征聚类点计算,得到对应的特征聚类点;
(2)对每级配电单元的目标配电运行数据集与特征聚类点进行距离计算,得到多个特征点距,并对多个特征点距进行平均值计算,得到对应的平均点距;
(3)通过平均点距对初始特征中心的中心位移进行调整,得到目标中心位移并将初始特征中心的初始中心位移替换为目标中心位移,得到目标特征中心;
(4)通过目标特征中心分别对每级配电单元的目标配电运行数据集进行配电负荷聚类计算,得到每级配电单元的配电负荷数据。
具体的,分别将每级配电单元的目标配电运行数据集输入预置的配电负荷分析模型中。该模型专门设计来分析配电系统的运行数据,以识别和理解负荷的特征和模式。例如,考虑一个包含三级配电单元的配电柜,其中每个单元有不同的电流和电压水平。这些数据集会被输入到模型中,以进行深入的分析。模型调用其初始特征中心对每级配电单元的目标配电运行数据集进行特征聚类点计算。特征聚类点的计算是一种数据聚类方法,旨在找出数据集中的固有模式和结构,帮助识别出各个配电单元运行数据的关键特征,如负荷的典型值和分布范围。例如,在分析一级配电单元的数据时,模型识别出电流和电压的某些组合模式,这些模式反映了配电单元在特定条件下的典型运行状态。对每级配电单元的目标配电运行数据集与特征聚类点进行距离计算,测量数据点与聚类中心之间的距离,以评估每个数据点与聚类中心的相似度。通过计算这些距离,了解每个数据点与其所属聚类中心的偏离程度。对特征点距进行平均值计算,以得到对应的平均点距。平均点距是一个重要的度量,它反映了整体数据集与聚类中心的平均相似度。例如,如果平均点距较小,表明大多数数据点都紧密地围绕着聚类中心,说明该配电单元的运行状态相对稳定。通过平均点距对初始特征中心的中心位移进行调整,对聚类中心进行优化,使聚类中心更准确地代表实际数据的中心。调整后的中心位移被用来更新初始特征中心,从而得到目标特征中心。例如,如果原始的聚类中心未能准确捕捉到电流和电压数据的主要趋势,那么通过调整,新的聚类中心将更好地反映出配电单元的典型运行状态。通过目标特征中心对每级配电单元的目标配电运行数据集进行配电负荷聚类计算。在这个过程中,每个数据点根据其与新的聚类中心的相似度被重新分配到相应的聚类中。这种重新分配有助于更准确地理解配电单元的负荷特性。通过以上步骤,得到每级配电单元的配电负荷数据。例如,通过分析,发现二级配电单元在高负荷条件下表现出特定的电流和电压模式,这些模式是未来优化和安全预警的关键。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)获取目标配电柜的配电安全影响因子,配电安全影响因子包括:环境温度、湿度、设备老化程度以及维护记录;
(2)根据配电安全影响因子,对配电负荷数据进行谐波失真度和电压波动计算,得到每级配电单元的谐波失真度数据和电压波动数据;
(3)分别对每级配电单元的谐波失真度数据和电压波动数据进行时序匹配,得到每级配电单元的电能质量扰动数据;
(4)根据配电安全影响因子,对配电负荷数据进行负载平衡和分支电流稳定性计算,得到每级配电单元的负载平衡数据和分支电流稳定性数据;
(5)分别对每级配电单元的负载平衡数据和分支电流稳定性数据进行时序匹配,得到每级配电单元的配电分支状态数据。
具体的,获取目标配电柜的配电安全影响因子。这些影响因子包括环境温度、湿度、设备老化程度以及维护记录等关键参数,它们对配电柜的运行安全性有显著影响。例如,一个位于高温多湿环境中的配电柜比位于温和干燥环境中的配电柜更容易遭受损害,尤其是当设备老化程度较高或维护不当时。在获取这些信息后,对配电负荷数据进行谐波失真度和电压波动的计算,评估电能质量的波动情况和的异常。谐波失真度能够反映出电力系统中非线性负载产生的影响,而电压波动数据则显示电压稳定性的情况。例如,如果一个配电单元连接了大量的变频设备,这会导致较高的谐波失真度。电压波动在负载变化较大时变得更加明显。对每级配电单元的谐波失真度数据和电压波动数据进行时序匹配。将这些数据按照时间顺序进行对齐,以确保在分析和比较数据时能够反映出时间上的连贯性。时序匹配后,得到每级配电单元的电能质量扰动数据。这些数据提供了关于配电单元在不同时间点的电能质量状态的信息,帮助识别的问题和风险。根据配电安全影响因子,对配电负荷数据进行负载平衡和分支电流稳定性计算。负载平衡数据反映了配电系统中不同分支之间的负载分配情况,而分支电流稳定性数据则显示了各分支电流的稳定性。例如,如果一个配电单元中的某个分支长期承担过高的负荷,其负载平衡数据表明需要重新分配负荷,而分支电流稳定性数据表明这个分支面临较高的风险。对每级配电单元的负载平衡数据和分支电流稳定性数据进行时序匹配,以获得每级配电单元的配电分支状态数据。这些数据提供了配电单元分支在不同时间点的运行状态,能够更全面地了解配电系统的整体健康状况。例如,通过分析这些数据,发现某些分支由于长期的不平衡负荷而处于风险状态,或者某些分支由于设备老化而需要优先维护。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)对电能质量扰动数据进行特征曲线构建,得到电能质量扰动曲线,并对电能质量扰动曲线进行曲线特征点提取,得到多个扰动曲线特征点;
(2)对多个扰动曲线特征点进行特征聚类分析,得到每个扰动曲线特征点的目标特征聚类结果,并根据目标特征聚类结果生成每级配电单元的电能质量扰动特征集合;
(3)对配电分支状态数据进行曲线拟合,得到配电分支状态曲线,并计算配电分支状态曲线的标准差数据;
(4)对配电分支状态曲线进行曲线特征点识别,得到多个候选曲线特征点,并根据标准差数据对多个候选曲线特征点进行曲线特征点筛选,得到多个状态曲线特征点;
(5)根据多个状态曲线特征点生成每级配电单元的配电分支状态特征集合。
具体的,对电能质量扰动数据进行特征曲线构建。将电能质量的各种扰动参数,如电压波动、谐波失真度等,转换成可以可视化和分析的时间序列曲线。例如,假设一个配电单元在特定时间段内经历了电压波动,那么这些波动可以通过电压变化随时间的曲线来表示。对电能质量扰动曲线进行曲线特征点提取,从曲线中识别出关键的数据点,这些点代表了电能质量扰动的显著特征。例如,电压波动曲线上的峰值和谷值被标记为特征点,因为它们代表了电压的最大和最小波动。通过识别这些关键点,可以更准确地理解电能质量的波动特性。对扰动曲线特征点进行特征聚类分析,将具有相似特性的特征点分组,从而更好地理解电能质量扰动的本质和类型。例如,通过聚类分析,将代表电压急剧下降的特征点归为一类,而将代表电压缓慢回升的特征点归为另一类。这种分类有助于识别出不同类型的电能质量问题,从而对每个问题采取更针对性的措施。根据这些聚类结果,生成每级配电单元的电能质量扰动特征集合。对配电分支状态数据进行曲线拟合,生成反映配电分支状态变化的曲线。例如,一个配电分支的电流负载随时间呈现特定的趋势,这可以通过电流随时间变化的曲线来表示。为了进一步精确化分析,计算这些配电分支状态曲线的标准差数据。标准差是衡量数据变化范围的重要指标,它能够反映配电分支状态的波动程度。对配电分支状态曲线进行特征点识别,通过识别曲线中的关键点,如拐点、极值点等,揭示配电分支的关键特性。例如,在配电分支电流负载曲线上,电流的突然增加或减少被识别为特征点。根据标准差数据对这些候选曲线特征点进行筛选,得到最终的状态曲线特征点。筛选基于数据的波动性,旨在挑选出那些最能代表配电分支状态变化的特征点。例如,如果一个特征点在电流负载曲线上代表了一个异常的峰值,并且这个峰值在标准差意义上显著,那么这个点就会被选为一个重要的特征点。基于状态曲线特征点,生成每级配电单元的配电分支状态特征集合。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)计算电能质量扰动数据的第一均值和第一标准差,并计算配电分支状态数据的第二均值和第二标准差;
(2)根据第一均值和第一标准差、第二均值和第二标准差,计算电能质量扰动数据和配电分支状态数据之间的目标皮尔逊相关系数;
(3)对电能质量扰动特征集合进行特征编码和向量转换,得到电能质量扰动特征向量,并对配电分支状态特征集合进行特征编码和向量转换,得到配电分支状态特征向量;
(4)根据目标皮尔逊相关系数,对电能质量扰动特征向量以及配电分支状态特征向量进行特征向量融合,得到每级配电单元的目标融合状态特征向量。
具体的,计算电能质量扰动数据的第一均值和第一标准差,这两个统计量提供了电能质量扰动数据的平均水平和变异程度的重要信息。例如,如果一级配电单元经历不同程度的电压波动,第一均值代表平均电压波动水平,而第一标准差则揭示了这些波动的一致性或变化范围。同样地,计算配电分支状态数据的第二均值和第二标准差。这些统计量有助于理解配电分支如何随时间波动,例如,它们可以揭示某个分支的电流负载是否经历了显著的变化。根据均值和标准差计算电能质量扰动数据和配电分支状态数据之间的目标皮尔逊相关系数。皮尔逊相关系数是衡量两个变量之间线性相关程度的统计指标,可以帮助理解电能质量扰动和配电分支状态之间的关联。例如,如果发现电压波动(电能质量扰动的一个方面)和特定分支的电流负载(配电分支状态的一个方面)之间有很高的相关性,这意味着电压波动直接影响了该分支的负载。对电能质量扰动特征集合进行特征编码和向量转换,生成电能质量扰动特征向量。将原始数据转换成一种格式,使其可以被机器学习算法或其他数据分析工具更有效地处理。例如,通过编码将电能质量的不同扰动类型(如电压波动、谐波失真等)转换为一系列数字值,这些值组成了特征向量。同样地,对配电分支状态特征集合进行特征编码和向量转换,得到配电分支状态特征向量,将电流负载的大小、持续时间和变化速率等因素转换为数字值。根据目标皮尔逊相关系数,对电能质量扰动特征向量以及配电分支状态特征向量进行特征向量融合。将这两组特征向量结合成一个综合的特征向量,这个融合的特征向量能够反映出电能质量和配电分支状态的综合影响。例如,如果电压波动和某个分支的电流负载之间存在高度相关性,那么这两个方面的特征向量就可以被融合成一个单一的向量,以代表该配电单元的整体电能质量和状态。最终,得到每级配电单元的目标融合状态特征向量。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集,配电柜安全分析模型集包括:多个弱分类器、注意力机制层以及输出层,弱分类器包括卷积和池化层、全连接层以及反归一化层;
(2)通过多个弱分类器中的卷积和池化层,分别对每级配电单元的目标融合状态特征向量进行卷积特征提取,得到多个卷积特征向量;
(3)通过多个弱分类器中的全连接层,分别对多个卷积特征向量进行特征降维处理,得到多个目标特征向量;
(4)通过多个弱分类器中的反归一化层,分别对多个目标特征向量进行特征反归一化处理,得到每个弱分类器的标准特征向量;
(5)通过注意力机制层对每个弱分类器的标准特征向量进行注意力机制加权,得到注意力特征向量;
(6)通过输出层对注意力特征向量进行配电柜安全分析,得到配电柜安全分析结果;
(7)根据配电柜安全分析结果对目标配电柜进行安全预警管理,生成安全预警管理策略。
具体的,将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集。该模型集是一个复杂的机器学习框架,包括多个弱分类器、一个注意力机制层以及一个输出层。每个弱分类器包括卷积和池化层、全连接层以及反归一化层。通过多个弱分类器中的卷积和池化层,对每级配电单元的目标融合状态特征向量进行卷积特征提取。卷积层用于提取特征向量中的局部特征,而池化层则用于降低特征向量的维度,同时保留最重要的信息。例如,假设一个配电单元的目标融合状态特征向量包含了电流和电压的波动信息,卷积层会识别出电流波动的特定模式,而池化层则会从这些模式中提取最显著的特征。从而得到多个卷积特征向量,它们代表了从原始特征向量中提取的关键信息。通过多个弱分类器中的全连接层,对卷积特征向量进行特征降维处理。全连接层将高维的卷积特征转换为更加紧凑的目标特征向量,从而提高处理效率和预测准确性。例如,通过全连接层的权重矩阵,将描述电流波动模式的多维卷积特征转化为一个更简单、更直接反映配电单元状态的特征向量。通过多个弱分类器中的反归一化层,对目标特征向量进行特征反归一化处理,得到每个弱分类器的标准特征向量,恢复特征向量的原始比例和分布,使特征更加符合实际情况。例如,如果全连接层的处理使得某些特征过度放大或缩小,反归一化层则可以调整这些特征,使它们更接近原始数据的真实情况。通过注意力机制层,对标准特征向量进行注意力机制加权,得到注意力特征向量。注意力机制的目的是为不同的特征向量分配不同的权重,以便突出那些对配电柜安全最为重要的特征。例如,如果某个特征向量中的电流波动特征与配电柜的安全状态高度相关,注意力机制会给这个特征更高的权重。通过输出层,对注意力特征向量进行配电柜安全分析,得到配电柜的安全分析结果。输出层通常包括一系列神经元,它们基于输入的注意力特征向量生成关于配电柜安全状态的预测。例如,输出层会根据电流波动和电压波动的特征,判断配电柜是否处于过载状态或是否存在潜在的故障风险。根据配电柜安全分析结果,对目标配电柜进行安全预警管理,并生成相应的安全预警管理策略。这些策略包括对特定配电单元进行维护、调整负荷分配或者升级设备。例如,如果分析结果显示某个配电单元因为长期过载而存在高风险,安全预警管理策略包括减少该单元的负荷或更换老化的设备。
上面对本申请实施例中配电柜的安全预警管理方法进行了描述,下面对本申请实施例中配电柜的安全预警管理系统进行描述,请参阅图2,本申请实施例中配电柜的安全预警管理系统一个实施例包括:
监控模块201,用于通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
检测模块202,用于分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
计算模块203,用于获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
提取模块204,用于分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
编码模块205,用于计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
分析模块206,用于将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
通过上述各个组成部分的协同合作,通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,实现了从宏观到微观的多层次、精细化管理。这种分层次的监控方式不仅提升了监控的覆盖面和精度,而且有助于快速定位问题所在,实现了精准的故障诊断和处理。通过对配电单元运行数据进行线性变换和协方差矩阵的特征提取,结合主成分分析进行数据降维,有效压缩了数据量,同时保留了数据的关键信息。这不仅提高了数据处理的效率,还增强了后续模型分析的准确性和可靠性。利用预置的配电负荷分析模型,结合特征聚类和中心位移调整,对配电负荷进行智能检测和管理。这一点不仅有助于实时监控和评估配电负荷的变化情况,还能通过智能调整,优化配电负荷,确保电力资源的合理分配和使用。通过分析配电安全影响因子(如环境温度、湿度、设备老化程度及维护记录),结合负载平衡和分支电流稳定性计算,深入分析了电能质量扰动,这有助于全面评估配电系统的稳定性和安全性,及时发现潜在的风险点。结合目标皮尔逊相关系数,对电能质量扰动特征集合和配电分支状态特征集合进行编码和向量拼接。这种高级的数据融合技术不仅提高了数据分析的维度和深度,而且能够揭示不同数据之间的内在联系,为后续的安全分析和预警提供了更为准确和全面的数据支持。通过将融合状态特征向量输入预置的配电柜安全分析模型集(包括弱分类器、注意力机制层和输出层),实现了对配电柜安全状况的智能化分析和预测。这种智能化的安全分析和预警系统能够提供更为精准、及时的安全状态评估和预警,有效避免或减轻电力安全事故的发生,进而提高了配电柜的安全预警和管理的准确率。
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,系统和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,本申请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)执行本申请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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种配电柜的安全预警管理方法,其特征在于,所述配电柜的安全预警管理方法包括:
通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
2.根据权利要求1所述的配电柜的安全预警管理方法,其特征在于,所述通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集,包括:
获取目标配电柜的电气结构参数,并根据所述电气结构参数对所述目标配电柜进行配电单元分析,得到不同的多级配电单元;
通过所述不同的多级配电单元,对所述目标配电柜进行电力分配和运行数据监控,得到每级配电单元的初始配电运行数据集;
分别对所述初始配电运行数据集进行线性变换,得到线性配电运行数据集;
分别构建每个线性配电运行数据集的协方差矩阵,并对所述协方差矩阵进行矩阵特征提取,得到多个特征值以及每个特征值对应的特征向量;
对所述多个特征值进行特征值主成分分析,生成主成分投影矩阵,并根据所述主成分投影矩阵对所述线性配电运行数据集进行数据降维处理,得到每级配电单元的目标配电运行数据集。
3.根据权利要求2所述的配电柜的安全预警管理方法,其特征在于,所述分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据,包括:
分别将每级配电单元的目标配电运行数据集输入预置的配电负荷分析模型,并调用所述配电负荷分析模型的初始特征中心对每级配电单元的目标配电运行数据集进行特征聚类点计算,得到对应的特征聚类点;
对每级配电单元的目标配电运行数据集与所述特征聚类点进行距离计算,得到多个特征点距,并对所述多个特征点距进行平均值计算,得到对应的平均点距;
通过所述平均点距对所述初始特征中心的中心位移进行调整,得到目标中心位移并将所述初始特征中心的初始中心位移替换为所述目标中心位移,得到目标特征中心;
通过所述目标特征中心分别对每级配电单元的目标配电运行数据集进行配电负荷聚类计算,得到每级配电单元的配电负荷数据。
4.根据权利要求1所述的配电柜的安全预警管理方法,其特征在于,所述获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据,包括:
获取所述目标配电柜的配电安全影响因子,所述配电安全影响因子包括:环境温度、湿度、设备老化程度以及维护记录;
根据所述配电安全影响因子,对所述配电负荷数据进行谐波失真度和电压波动计算,得到每级配电单元的谐波失真度数据和电压波动数据;
分别对每级配电单元的谐波失真度数据和电压波动数据进行时序匹配,得到每级配电单元的电能质量扰动数据;
根据所述配电安全影响因子,对所述配电负荷数据进行负载平衡和分支电流稳定性计算,得到每级配电单元的负载平衡数据和分支电流稳定性数据;
分别对每级配电单元的负载平衡数据和分支电流稳定性数据进行时序匹配,得到每级配电单元的配电分支状态数据。
5.根据权利要求4所述的配电柜的安全预警管理方法,其特征在于,所述分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合,包括:
对所述电能质量扰动数据进行特征曲线构建,得到电能质量扰动曲线,并对所述电能质量扰动曲线进行曲线特征点提取,得到多个扰动曲线特征点;
对所述多个扰动曲线特征点进行特征聚类分析,得到每个扰动曲线特征点的目标特征聚类结果,并根据所述目标特征聚类结果生成每级配电单元的电能质量扰动特征集合;
对所述配电分支状态数据进行曲线拟合,得到配电分支状态曲线,并计算所述配电分支状态曲线的标准差数据;
对所述配电分支状态曲线进行曲线特征点识别,得到多个候选曲线特征点,并根据所述标准差数据对所述多个候选曲线特征点进行曲线特征点筛选,得到多个状态曲线特征点;
根据所述多个状态曲线特征点生成每级配电单元的配电分支状态特征集合。
6.根据权利要求1所述的配电柜的安全预警管理方法,其特征在于,所述计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量,包括:
计算所述电能质量扰动数据的第一均值和第一标准差,并计算所述配电分支状态数据的第二均值和第二标准差;
根据所述第一均值和所述第一标准差、所述第二均值和所述第二标准差,计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数;
对所述电能质量扰动特征集合进行特征编码和向量转换,得到电能质量扰动特征向量,并对所述配电分支状态特征集合进行特征编码和向量转换,得到配电分支状态特征向量;
根据所述目标皮尔逊相关系数,对所述电能质量扰动特征向量以及所述配电分支状态特征向量进行特征向量融合,得到每级配电单元的目标融合状态特征向量。
7.根据权利要求1所述的配电柜的安全预警管理方法,其特征在于,所述将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略,包括:
将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集,所述配电柜安全分析模型集包括:多个弱分类器、注意力机制层以及输出层,所述弱分类器包括卷积和池化层、全连接层以及反归一化层;
通过所述多个弱分类器中的卷积和池化层,分别对每级配电单元的目标融合状态特征向量进行卷积特征提取,得到多个卷积特征向量;
通过所述多个弱分类器中的全连接层,分别对所述多个卷积特征向量进行特征降维处理,得到多个目标特征向量;
通过所述多个弱分类器中的反归一化层,分别对所述多个目标特征向量进行特征反归一化处理,得到每个弱分类器的标准特征向量;
通过所述注意力机制层对每个弱分类器的标准特征向量进行注意力机制加权,得到注意力特征向量;
通过所述输出层对所述注意力特征向量进行配电柜安全分析,得到配电柜安全分析结果;
根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
8.一种配电柜的安全预警管理系统,其特征在于,所述配电柜的安全预警管理系统包括:
监控模块,用于通过不同的多级配电单元对目标配电柜进行电力分配和数据监控,得到每级配电单元的目标配电运行数据集;
检测模块,用于分别对每级配电单元的目标配电运行数据集进行配电负荷检测,得到每级配电单元的配电负荷数据;
计算模块,用于获取所述目标配电柜的配电安全影响因子,并根据所述配电安全影响因子和所述配电负荷数据计算每级配电单元的电能质量扰动数据和配电分支状态数据;
提取模块,用于分别对所述电能质量扰动数据和所述配电分支状态数据进行特征提取,得到每级配电单元的电能质量扰动特征集合和配电分支状态特征集合;
编码模块,用于计算所述电能质量扰动数据和所述配电分支状态数据之间的目标皮尔逊相关系数,并根据所述目标皮尔逊相关系数对所述电能质量扰动特征集合和所述配电分支状态特征集合进行特征编码和向量拼接,得到每级配电单元的目标融合状态特征向量;
分析模块,用于将每级配电单元的目标融合状态特征向量输入预置的配电柜安全分析模型集进行配电柜安全分析,得到配电柜安全分析结果,并根据所述配电柜安全分析结果对所述目标配电柜进行安全预警管理,生成安全预警管理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148540.8A CN117691756B (zh) | 2024-02-02 | 2024-02-02 | 配电柜的安全预警管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148540.8A CN117691756B (zh) | 2024-02-02 | 2024-02-02 | 配电柜的安全预警管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117691756A true CN117691756A (zh) | 2024-03-12 |
CN117691756B CN117691756B (zh) | 2024-04-23 |
Family
ID=90132365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148540.8A Active CN117691756B (zh) | 2024-02-02 | 2024-02-02 | 配电柜的安全预警管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117691756B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016115659A1 (zh) * | 2015-01-19 | 2016-07-28 | 深圳睿立方智能科技有限公司 | 一种智能配电柜的配电单元 |
CN207339420U (zh) * | 2017-10-20 | 2018-05-08 | 青岛华通电力工程有限公司 | 一种后台监控智能配电柜 |
CN111884053A (zh) * | 2020-07-23 | 2020-11-03 | 镇江默勒电器有限公司 | 一种基于大数据云平台的智能化低压配电系统 |
CN117335556A (zh) * | 2023-09-04 | 2024-01-02 | 山东海冠电气有限公司 | 一种配电柜的配电预警方法及系统 |
-
2024
- 2024-02-02 CN CN202410148540.8A patent/CN117691756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016115659A1 (zh) * | 2015-01-19 | 2016-07-28 | 深圳睿立方智能科技有限公司 | 一种智能配电柜的配电单元 |
CN207339420U (zh) * | 2017-10-20 | 2018-05-08 | 青岛华通电力工程有限公司 | 一种后台监控智能配电柜 |
CN111884053A (zh) * | 2020-07-23 | 2020-11-03 | 镇江默勒电器有限公司 | 一种基于大数据云平台的智能化低压配电系统 |
CN117335556A (zh) * | 2023-09-04 | 2024-01-02 | 山东海冠电气有限公司 | 一种配电柜的配电预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117691756B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108881196B (zh) | 基于深度生成模型的半监督入侵检测方法 | |
CN106980905B (zh) | 配电网供电可靠性预测方法和系统 | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN113570200A (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN111724071A (zh) | 基于topsis法的智能箱式变电站运行状态评估方法 | |
Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
CN114118460A (zh) | 基于变分自编码器的低压台区线损率异常检测方法及装置 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
Cheemala et al. | Transformer incipient fault diagnosis using machine learning classifiers | |
CN117691756B (zh) | 配电柜的安全预警管理方法及系统 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN116384048A (zh) | 一种风力发电机组轴承寿命预测的方法 | |
Qi et al. | Rapid transformer health state recognition through canopy cluster-merging of dissolved gas data in high-dimensional space | |
Patil et al. | DGA Based Ensemble learning and Random Forest Models for Condition Assessment of Transformers | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
Zhao et al. | Operation and Maintenance Management and Decision Analysis in Distribution Network Based on Big Data Mining | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 |
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 |