CN117783769B - 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 - Google Patents
基于可视平台的配电网络故障定位方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117783769B CN117783769B CN202410220011.4A CN202410220011A CN117783769B CN 117783769 B CN117783769 B CN 117783769B CN 202410220011 A CN202410220011 A CN 202410220011A CN 117783769 B CN117783769 B CN 117783769B
- Authority
- CN
- China
- Prior art keywords
- fault
- image
- power distribution
- real
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000000007 visual effect Effects 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 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
- 238000002845 discoloration Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电网故障定位的技术领域，特别是涉及一种基于可视平台的配电网络故障定位方法、系统、设备及存储介质，其提高故障定位的准确性、实时性和可操作性，对于提高供电可靠性、降低停电损失具有重要意义；方法应用于实时监控以及故障定位的配电网络可视化平台，方法包括：按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；将实时采集的电力运行数据信息输入至预先构建的参数故障类型识别模型中，获得配电节点此状态下的潜在故障类型；从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；设置图像故障相关性矩阵。
Description
技术领域
本发明涉及配电网故障定位的技术领域，特别是涉及一种基于可视平台的配电网络故障定位方法、系统、设备及存储介质。
背景技术
随着社会经济的快速发展，配电网络规模不断扩大，设备数量持续增加，网络结构也日趋复杂。因此，如何快速、准确地定位故障位置，对于保障电力系统的稳定运行，提高供电可靠性，降低因故障导致的停电损失，具有重要意义。
现有的故障定位方法主要基于电力运行数据，通过分析数据异常来进行故障预警和定位；然而，这种方法忽略了设备图像信息中蕴含的丰富信息，如设备外观异常、颜色变化、形状扭曲等，这些图像信息对于故障定位同样具有重要价值；仅仅考虑电力运行数据往往会存在误报错报的情况。因此，亟需一种基于可视平台的配电网络故障定位方法以解决上述问题。
发明内容
为解决上述技术问题，本发明提供一种提高故障定位的准确性、实时性和可操作性，对于提高供电可靠性、降低停电损失具有重要意义的基于可视平台的配电网络故障定位方法。
第一方面，本发明提供了基于可视平台的配电网络故障定位方法，所述方法应用于实时监控以及故障定位的配电网络可视化平台，所述方法包括：
按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
将实时采集的电力运行数据信息输入至预先构建的参数故障类型识别模型中，获得配电节点此状态下的潜在故障类型；
从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
基于历史数据，设置图像故障相关性矩阵，所述图像故障相关性矩阵为设备故障图像特征集合与故障类型之间的相关性矩阵；在图像故障相关性矩阵中相同类型的图像特征位于同一行，相同类型的故障类型位于同一列，行与列的交叉点即为此行图像特征与此列故障类型之间的相关系数；
根据图像故障相关性矩阵，将潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
将故障易发指数与预设阈值进行比对：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示。
进一步地，所述图像故障相关性矩阵的构建方法，包括：
收集包含设备故障图像及其对应故障类型的样本数据；
对样本数据中的每一张图片，利用计算机视觉技术提取出与故障类型相关的图像特征，形成设备故障图像特征集合；
将提取的每一类图像特征转化为数值形式，并进行标准化处理；
设定一个M×N的矩阵，其中M代表预设的设备故障图像特征集合中的特征数量，N代表配电网络的故障类型数量；矩阵的行代表设备故障图像特征，列则代表故障类型；
计算每种故障类型与每类设备故障图像特征之间的关联度，将该关联度值填入矩阵的相应交叉点位置作为相关系数，得到图像故障相关性矩阵。
进一步地，计算每种故障类型与每类设备故障图像特征之间的关联度的公式为：
；
其中，r为故障类型与设备故障图像特征之间的关联度，是第i个样本中图像特征的数值，/>是第i个样本中对应故障类型的标签，通常采用二进制或类别编码，n是样本数量，/>和/>分别是图像特征和故障类型标签的均值。
进一步地，潜在故障类型的故障易发指数的计算公式为：
；
其中，F表示潜在故障类型的故障易发指数，R(i,k)表示在图像故障相关性矩阵中第i个实时图像特征与当前潜在故障类型k之间的相关系数，Wi表示第i个实时图像特征的权重值，n代表实时图像特征的总数。
进一步地，所述参数故障类型识别模型的构建方法，包括：
收集历史电力运行数据和对应的故障类型标签，包括各种正常状态和故障状态下的电力运行数据；
对收集到的数据进行预处理，包括数据清洗、缺失值填充、异常值处理和归一化处理；
从预处理后的电力运行数据中提取出与故障类型相关的特征；
选择机器学习算法作为参数故障类型识别模型的算法基础，基于训练数据，利用选择的算法对模型进行训练，建立电力运行数据与故障类型之间的映射关系；
使用独立的测试数据对训练好的模型进行评估，并根据评估结果，对模型进行优化调整。
进一步地，所述实时图像特征的权重值的确定方法，包括：
通过分析历史故障案例中的设备图像信息，统计各类故障发生时不同图像特征出现的频率及其与实际故障确认的相关程度；
根据电力设备维护专家的知识和经验，人为设定不同图像特征对于不同类型故障的重要等级作为权重。
进一步地，所述故障类型包括过热、腐蚀、变形、断裂和异物侵入；所述设备图像信息包括实时设备图像和实时设备红外热图像。
另一方面，本申请还提供了基于可视平台的配电网络故障定位系统，所述系统包括：
数据采集模块，用于按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
故障类型识别模块，用于将实时采集的电力运行数据输入至预先存储的参数故障类型识别模型中，通过分析数据的异常情况，识别出配电节点当前状态下的潜在故障类型；
图像特征提取模块，用于从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
图像故障相关性矩阵存储模块，基于历史数据，设置图像故障相关性矩阵；所述图像故障相关性矩阵用于表示设备故障图像特征与故障类型之间的关联性，在所述图像故障相关性矩阵中的每一行表示一种图像特征，每一列表示一种故障类型，此行图像特征与此列故障类型之间的相关系数；
故障易发指数计算模块，用于根据图像故障相关性矩阵，对潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
故障预警与定位模块，用于将故障易发指数与预设阈值进行比对，根据比对结果采取不同的预警和定位策略：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述所述方法中的步骤。
第四方面，本申请还提供了一种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上述所述方法中的步骤。
与现有技术相比本发明的有益效果为：
与传统方法仅基于电力运行数据相比，该方法综合考虑设备图像信息，包括外观异常、颜色变化、形状扭曲等，通过上述综合利用可以提供更为全面和准确的故障信息，降低误报和漏报的概率；通过按预设采集频率实时采集电力运行数据和设备图像信息，该方法能够在实时监测的基础上进行故障定位，有助于及时发现和解决潜在的故障问题，提高电力系统的实时性和可靠性；
使用预先构建的参数故障类型识别模型，通过电力运行数据信息确定配电节点的潜在故障类型，有助于提高对故障类型的准确性，为后续的图像故障相关性矩阵计算提供基础；基于历史数据，设置图像故障相关性矩阵，通过相关性矩阵的计算，能够更好地理解设备故障图像特征集合与故障类型之间的关系，通过矩阵计算提高故障定位的准确性和可靠性；
通过比对故障易发指数与预设阈值，该方法能够动态调整采集频率；在故障易发指数较低时，维持较低的采集频率，以减轻系统负担；而在故障易发指数较高时，提高采集频率，加强对配电节点的监测，以更及时地发现故障；当故障易发指数大于预设阈值时，系统能够将潜在故障类型判定为实时故障类型，并向运维人员进行提示，通过实时的故障提示有助于快速响应和故障处理，从而降低因故障导致的停电损失；
综上所述，基于可视平台的配电网络故障定位方法通过充分利用电力运行数据和设备图像信息，采用综合性的分析和计算方式，提高故障定位的准确性、实时性和可操作性，对于提高供电可靠性、降低停电损失具有重要意义。
附图说明
图1是本发明的流程图；
图2是构建参数故障类型识别模型的流程图；
图3是提取实时图像特征的流程图；
图4是基于可视平台的配电网络故障定位系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一：如图1至图3所示，本发明的基于可视平台的配电网络故障定位方法，所述方法应用于实时监控以及故障定位的配电网络可视化平台，具体包括以下步骤：
S1、按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
S1步骤是基于可视平台的配电网络故障定位方法中的首要步骤，其主要目的是实时采集配电节点的电力运行数据信息和设备图像信息；S1步骤的具体实施方式如下：
S1a、电力运行数据信息采集：选择合适的传感器和监测设备，用于实时采集配电节点的电力运行数据；这可能包括电流、电压、功率因数等电力参数的实时监测；根据系统需求和实时性要求，预设合适的采集频率；频率的选择需要在充分获取信息的同时避免数据过于冗余；建立可靠的数据传输通道，将实时采集的电力运行数据传送至后续处理阶段；这可以采用物联网技术或其他通信协议；
S1b、设备图像信息采集：选择适用于配电节点环境的摄像设备，确保能够捕捉清晰、高质量的图像；可能需要考虑设备的防护等级、视角等因素；同样，预设合适的图像采集频率，考虑到实时性和系统资源的平衡；在采集阶段进行一定的图像预处理，例如去噪、图像增强等，以提高后续处理的准确性；将实时采集的设备图像信息传输至后续处理模块；通常可以利用网络传输技术，确保图像能够及时到达处理端；
S1c、整合电力运行数据和设备图像信息：确保电力运行数据和设备图像信息的时间戳是同步的，以便后续分析时能够准确匹配；将实时采集的电力运行数据和设备图像信息存储在可靠的数据库中，以备后续分析和模型训练使用；建立实时监控系统，使运维人员能够随时查看配电节点的状态，及时发现异常。
在本步骤中，通过预设的采集频率，能够实时获取配电节点的电力运行数据和设备图像信息，从而及时发现和定位故障，减少因故障导致的停电损失；该步骤确保数据的准确性和完整性，避免因数据错误或遗漏对后续分析造成的影响；通过整合电力运行数据和设备图像信息，可以更全面地了解配电节点的状态，为后续的故障定位和预警提供更丰富的信息；建立实时监控系统使得运维人员能够随时查看配电节点的状态，提高运维的效率和响应速度；预设的采集频率可以根据实际需求进行调整，以满足不同情况下的实时监控要求；通过选择可靠的传感器、监测设备和摄像设备，以及建立可靠的数据传输通道，确保数据采集和传输的稳定性。
S2、将实时采集的电力运行数据信息输入至预先构建的参数故障类型识别模型中，获得配电节点此状态下的潜在故障类型；
S2步骤中的参数故障类型识别模型是关键的组成部分，它负责根据实时采集的电力运行数据信息来识别配电节点的潜在故障类型；所述参数故障类型识别模型的具体构建方法如下所示：
S21、数据收集：收集大量的历史电力运行数据和对应的故障类型标签；这些数据包括各种正常状态和故障状态下的电力运行数据，以便模型能够学习到不同状态的特征和规律；
S22、数据预处理：对收集到的数据进行预处理，包括数据清洗、缺失值填充、异常值处理等，以确保数据的质量和准确性；此外，还需要对数据进行归一化处理，以消除不同量纲对模型学习的影响；
S23、特征提取：从预处理后的电力运行数据中提取出与故障类型相关的特征；这些特征可以是电流、电压、功率等电力参数的变化趋势、波动情况等，用以反映设备的运行状态和潜在的故障类型；
S24、模型选择与训练：选择适合的机器学习算法作为参数故障类型识别模型的算法基础；常见的算法包括决策树、随机森林、神经网络等；基于训练数据，利用选择的算法对模型进行训练，建立起电力运行数据与故障类型之间的映射关系；
S25、模型评估与优化：使用独立的测试数据对训练好的模型进行评估，通过计算模型的准确率、召回率、F1值等指标，了解模型的实际性能；根据评估结果，对模型进行优化调整，例如调整超参数、改进特征选择等，以提高模型的预测准确性；
S26、模型部署与实时推理：将训练和优化后的参数故障类型识别模型部署到可视化平台的故障定位系统；在实时监控阶段，模型接收实时采集的电力运行数据作为输入，经过推理分析，输出配电节点此状态下的潜在故障类型。
在本步骤中，通过收集大量历史电力运行数据并结合实际故障类型标签，使得模型能充分学习和理解不同状态下的设备行为模式，增强了故障识别的准确性；对原始数据进行深度清洗、缺失值填充、异常值处理以及归一化等预处理工作，确保输入模型的数据质量高且一致性好，有利于提高模型训练效果和预测性能；从预处理后的电力运行数据中提取出与故障类型密切相关的特征，有助于模型聚焦于关键信息，有效区分正常运行与各类故障状态；
采用决策树、随机森林、神经网络等多种机器学习算法构建参数故障类型识别模型，根据实际情况选择最适合的算法，并通过训练建立数据与故障类型的内在联系，提高了模型的泛化能力和适应性；通过独立测试集对模型进行全面评估，并依据准确率、召回率、F1值等指标进行持续优化，确保了模型的实际应用效能和鲁棒性；将经过训练和优化的模型部署到可视化平台的故障定位系统中，实现对实时采集的电力运行数据的即时分析和潜在故障类型的快速判断，从而为运维人员提供及时、准确的故障预警信息，有效保障电力系统的稳定可靠运行。
S3、从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
在S3步骤中，设备故障图像特征集合的设置是关键的一环，它决定了后续从实时设备图像中提取特征的准确性和有效性；根据故障类型，对设备图像信息进行关键图像提取，是获得设备故障图像特征集合的重要方法；以下是详细的设置步骤：
S31、明确故障类型：首先需要明确配电网络中可能出现的故障类型；这些故障类型可以根据实际运行经验、历史数据以及其他相关信息来确定；例如，常见的故障类型可能包括如过热、腐蚀、变形、断裂、异物侵入等；
S32、选择关键图像提取方法：对于每种故障类型，选择适合的关键图像提取方法；这些方法可以根据具体情况选择，例如基于图像处理的技术、基于深度学习的技术或者基于计算机视觉的技术等；关键图像应该能够清晰地展示该故障类型的特征，例如设备过热时的颜色变化、机械故障时的形状扭曲等；
S33、收集设备图像数据：根据确定的故障类型，收集相关的设备图像数据；这些数据可以来源于历史故障案例、实验数据、模拟器等；确保图像数据的多样性和代表性，以便能够覆盖各种故障类型的特征；
S34、提取关键图像：对于每种故障类型，使用选择的关键图像提取方法，从收集的图像数据中提取出最具代表性的关键图像；针对每一种故障类型，通过深入研究其在图像上的表现形式来确定关键图像特征；例如，对于过热故障，可能关注的是红外热像图中的高温区域；对于机械结构损坏，则可能是部件形状扭曲或尺寸变化等特征；颜色变化也是一项重要的视觉特征，如绝缘材料的老化变色；将这些关键图像进行整理和分类，形成对应于各故障类型的子集；
S35、特征提取与标记：对每个故障类型的子集中的关键图像进行特征提取，例如颜色、形状、纹理等；同时，对这些特征进行标记，明确它们所属的故障类型；这一步可以使用图像处理和机器学习领域的相关算法和技术来实现；
S36、整合与验证：将上述不同故障类型所对应的各类关键图像特征整合起来，形成设备故障图像特征集合；这个集合包含了所有故障类型可能表现出的不同类型的图像特征，每一类故障都有其特定的一组图像特征；
S37、特征标准化与优化：对提取到的图像特征进行标准化处理，确保各特征之间的可比性，并通过特征选择方法剔除冗余或无关紧要的特征，进一步优化特征集合，提高故障识别效率和准确性。
在本步骤中，通过明确各类故障类型，并针对每种故障类型选择适合的关键图像提取方法，确保了能够从不同维度全面覆盖并准确捕捉到设备可能发生的各种故障现象；通过收集多样性和代表性的设备图像数据，提高了训练模型和识别系统的泛化能力，使其能更好地应对实际运行中的复杂情况；通过深入研究故障类型的图像表现形式，提取关键图像特征，并进行标记，构建了丰富的设备故障图像特征集合，这些特征集可以精确反映故障的本质属性，提高故障识别的准确性；
对提取的图像特征进行标准化处理以及冗余特征剔除等优化手段，进一步提升了特征的有效性和计算效率，有利于提高故障诊断的速度和精度；整个过程采用分步实施、逐步细化的方式，使得故障图像特征集合的建立更加系统化和模块化，便于各环节的独立优化和整体协调，同时也方便后续对新出现的故障类型进行快速响应和补充更新。
S4、基于历史数据，设置图像故障相关性矩阵，所述图像故障相关性矩阵为设备故障图像特征集合与故障类型之间的相关性矩阵；在图像故障相关性矩阵中相同类型的图像特征位于同一行，相同类型的故障类型位于同一列，行与列的交叉点即为此行图像特征与此列故障类型之间的相关系数；
S4步骤中构建图像故障相关性矩阵的过程，是基于历史数据和机器学习算法对设备故障图像特征与故障类型之间关系进行量化分析的关键环节；具体构建步骤如下：
S41、收集与整理历史数据：收集大量包含设备故障图像及其对应故障类型的样本数据；这些数据可能来源于实际运行中的故障案例、实验室模拟实验或仿真模拟等途径；
S42、提取设备故障图像特征：对历史故障图像数据集中的每一张图片，利用计算机视觉技术（如边缘检测、纹理分析、颜色空间转换、深度学习特征提取等）提取出与故障类型相关的图像特征，形成一个设备故障图像特征集合；
S43、特征向量化与标准化：将提取的每一类图像特征转化为数值形式，并进行必要的标准化处理，确保不同特征间具有可比性和一致性，便于后续计算和建模；
S44、构建相关性矩阵：设定一个M×N的矩阵，其中M代表预设的设备故障图像特征集合中的特征数量，N代表配电网络可能出现的故障类型数量；矩阵的行代表设备故障图像特征，列则代表故障类型；对于每个特征-故障类型组合，通过统计学方法（如皮尔逊相关系数、互信息、卡方检验等）或机器学习算法（如支持向量机、决策树、随机森林等）计算它们之间的关联度，将该关联度值填入矩阵的相应交叉点位置作为相关系数；
S45、优化与验证相关性矩阵：通过对历史数据集的训练和验证，不断调整和优化相关性矩阵的构建方法，确保其能够准确反映设备故障图像特征与故障类型间的内在联系，并在新的实时图像信息中有效应用。
在本步骤中，基于历史数据构建相关性矩阵，确保了分析的客观性和准确性；这种方法能够真实反映设备在不同故障下的表现，以及图像特征与故障类型之间的关联性；通过计算机视觉技术和机器学习算法，对设备故障图像特征进行提取和量化，能够深入挖掘图像中的关键信息，为后续的故障定位提供有力支持；对提取的图像特征进行标准化处理，确保了各特征之间的可比性；这样能够提高相关系数计算的准确性和可靠性，使得矩阵能够更好地反映特征与故障类型之间的关系；
构建的图像故障相关性矩阵可以根据实际需求进行更新和扩展，以适应新的故障类型和图像特征；这种方法具有较好的灵活性和可维护性，能够适应设备和网络结构的不断变化；通过对历史数据集的训练和验证，不断调整和优化相关性矩阵的构建方法；这种方法有助于提高矩阵的准确性和可靠性，降低误报和漏报的可能性，提高故障定位的效率和准确性；优化的相关性矩阵可以应用于实时监控和故障定位系统，通过与实时采集的设备图像信息进行比对，快速准确地识别故障类型，并及时采取相应的处理措施。
更为具体的，以皮尔逊相关系数法为例，构建图像故障相关性矩阵时，对于每个特征-故障类型组合的关联度计算步骤如下：
S441、数据准备：对于每一个设备故障图像特征（如颜色变化、形状扭曲等），将其在所有历史故障案例中的数值量化，并与对应的故障类型标签进行配对；例如，如果有一个特征是“设备表面温度”，则收集所有故障样本中该特征的具体数值；
S442、计算皮尔逊相关系数：皮尔逊相关系数衡量的是两个变量之间的线性相关程度，其值范围在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示无相关关系；对于特定的一个图像特征和一个故障类型，首先计算这两个变量的一组样本数据集合的相关系数，计算公式为：
；
其中，是第i个样本中图像特征的数值，/>是第i个样本中对应故障类型的标签，通常采用二进制或类别编码，n是样本数量，/>和/>分别是图像特征和故障类型标签的均值；
S443、填入相关性矩阵：将计算得到的皮尔逊相关系数填入图像故障相关性矩阵的相应交叉点位置；比如，对于第j个图像特征和第k个故障类型，它们的相关系数将被放置在矩阵的第j行第k列上；
通过上述方法，可以建立起各个图像特征与故障类型间的定量联系，进而形成一个全面且精准的图像故障相关性矩阵，用于后续分析和故障定位决策。
S5、根据图像故障相关性矩阵，将潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
在步骤S5中，将潜在故障类型下各实时图像特征对应的相关系数进行加权计算，以得到潜在故障类型的故障易发指数，步骤S5的目的是为了更全面地评估配电节点的故障风险，结合了电力运行数据和设备图像信息两方面的信息，具体来说，这一步骤可以按照以下方式进行：
S51、相关系数提取：首先从图像故障相关性矩阵中，针对当前识别出的潜在故障类型所对应的列，提取该列与所有实时图像特征行交叉点上的相关系数，
S52、特征权重确定：权重的确定通常基于历史数据和专家经验，在实际应用中，可以采用以下方法来确定各个图像特征的权重：
S52a、历史统计分析：通过分析大量故障案例中的设备图像信息，统计各类故障发生时不同图像特征出现的频率及其与实际故障确认的相关程度，以此作为权重分配的基础，
S52b、机器学习方法：利用训练集构建模型以预测故障类型，其中模型训练过程中，特征的重要性可以通过特征选择算法（如Lasso、Ridge回归等）或基于梯度提升树的特征重要性排序等方式自动学习得到，
S52c、专家规则系统：根据电力设备维护专家的知识和经验，人为设定不同图像特征对于不同类型故障的重要等级作为权重，
S53、加权计算：对每个实时图像特征对应的相关系数乘以其相应的权重值，然后将所有加权后的相关系数求和，从而得出一个综合数值——故障易发指数，故障易发指数反映了在考虑了多种图像特征及其重要性后，潜在故障转化为实际故障的可能性大小，故障易发指数数值越高表示故障发生的可能性越大。
通过对图像故障相关性矩阵中潜在故障类型下的实时图像特征相关系数进行加权求和，实现了对故障风险的量化评估,权重的确定是一个结合了数据驱动和领域知识的过程，旨在确保故障定位结果的准确性和有效性。
更为具体的，对于当前识别出的潜在故障类型K，其故障易发指数可通过以下方式计算：
；
其中，F表示潜在故障类型的故障易发指数，R(i,k)表示图像故障相关性矩阵中的元素，即第i个实时图像特征与当前潜在故障类型k之间的相关系数，Wi表示第i个实时图像特征的权重值，n代表实时图像特征的总数。
进一步的，确定权重Wi的方法包括但不限于以下方法：假设基于历史数据统计得到的每个特征对故障类型的重要性比例作为权重，则权重可通过历史案例中各特征与故障发生次数的比例关系确定；如果使用机器学习方法，权重通过训练过程自动学习到的，比如在决策树或随机森林等算法中，特征分裂节点时所获得的特征重要度；在实际应用中，具体的数学模型和公式会根据所选的特征权重分配策略以及故障易发指数计算方式而有所不同。
S6、将故障易发指数与预设阈值进行比对：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示；
在步骤S6中，将故障易发指数与预设阈值进行比对，并根据比对结果采取相应的处理措施；这一步骤的目的是为了及时发现潜在的故障风险，并采取相应的措施进行预警和处理，保障电力系统的稳定运行；具体步骤如下：
S61、将每个潜在故障类型的故障易发指数与预设阈值进行比较；预设阈值可以根据实际需求进行设置，可以基于历史数据、专家经验或其他相关因素来确定；
S62、根据比较结果，设定条件分支，根据不同的条件采取相应的处理措施，具体条件包括：
故障易发指数小于预设阈值：如果故障易发指数小于预设阈值，说明该潜在故障类型的风险较低；此时，可以维持预设的采集频率，继续对配电节点进行监测，以观察其后续变化情况；
故障易发指数等于预设阈值：如果故障易发指数等于预设阈值，说明该潜在故障类型存在一定的风险；此时，可以将预设采集频率提高至少两倍，以增加对配电节点的监测频度；这样可以更快速地收集更多的数据和图像信息，以便更准确地评估故障风险；
故障易发指数大于预设阈值：如果故障易发指数大于预设阈值，说明该潜在故障类型具有较高的风险，可能已经发生或即将发生故障；此时，可以将该潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示；运维人员可以根据这些信息采取相应的处理措施，如检查设备状态、进行维修或更换等操作；
S63、根据条件分支的结果，将相应的处理措施输出到后续步骤中；这些处理措施可能包括调整采集频率、启动故障预警系统、通知运维人员等。
通过步骤S6的设定和处理措施的采取，可以及时发现潜在的故障风险，并采取相应的措施进行预警和处理；这有助于降低因故障导致的停电损失，提高供电可靠性和稳定性；同时，这种基于可视平台的配电网络故障定位方法可以提供更加全面、准确的故障定位信息，为运维人员提供更好的支持和服务。
进一步地，预设阈值的确定是至关重要的，因为它直接影响到故障易发指数与实际故障之间的匹配程度；预设阈值的设定需要综合考虑多种因素，包括但不限于以下几点：
S61a、历史数据与故障率：利用历史数据来分析故障发生的频率；通过对历史故障数据的研究，可以了解故障发生的趋势和规律，从而设定一个相对合理的阈值；例如，如果历史上某一类故障的发生率较高，那么该类故障的阈值可能会被设定得相对较低；
S61b、设备类型与重要性：不同的设备在配电网络中的重要性是不同的；对于关键设备，可能需要设定更严格的阈值，以确保及时发现潜在的故障风险；而对于非关键设备，阈值可能会相应放宽；
S61c、故障影响范围：不同故障类型可能导致的停电范围和影响程度也不同；对于可能导致大范围停电的故障类型，其阈值可能会被设定得较低，以便及时预警和处理；
S61d、实时监测数据：除了历史数据外，实时监测数据也是设定阈值的重要参考；通过实时监测设备的运行状态和图像信息，可以更准确地判断设备的健康状况，并据此设定相应的阈值；
S61e、专家经验与建议：在设定阈值的过程中，专家经验也是非常重要的；专家可以根据自己的知识和经验，对阈值的设定提出建议和意见，以确保阈值的合理性和有效性；
S61f、试运行与调整：在阈值初步设定后，可以通过试运行进行验证和调整；通过对实际运行数据的分析和比对，可以发现阈值设定中可能存在的问题，并进行相应的调整；
无论选择上述哪种阈值确定方法，都需要考虑到电力系统的实际情况、设备的特性、故障的严重程度等因素，需要综合考虑多个因素来确定一个合适的预设阈值，以确保系统在实际应用中能够稳定、准确地进行故障定位。
实施例二：如图4所示，本发明的基于可视平台的配电网络故障定位系统，具体包括以下模块；
数据采集模块，用于按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
故障类型识别模块，用于将实时采集的电力运行数据输入至预先存储的参数故障类型识别模型中，通过分析数据的异常情况，识别出配电节点当前状态下的潜在故障类型；
图像特征提取模块，用于从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
图像故障相关性矩阵存储模块，基于历史数据，设置图像故障相关性矩阵；所述图像故障相关性矩阵用于表示设备故障图像特征与故障类型之间的关联性，在所述图像故障相关性矩阵中的每一行表示一种图像特征，每一列表示一种故障类型，此行图像特征与此列故障类型之间的相关系数；
故障易发指数计算模块，用于根据图像故障相关性矩阵，对潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
故障预警与定位模块，用于将故障易发指数与预设阈值进行比对，根据比对结果采取不同的预警和定位策略：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示。
前述实施例一中的基于可视平台的配电网络故障定位方法的各种变化方式和具体实施例同样适用于本实施例的基于可视平台的配电网络故障定位系统,通过前述对基于可视平台的配电网络故障定位方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于可视平台的配电网络故障定位系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于可视平台的配电网络故障定位方法，所述方法应用于实时监控以及故障定位的配电网络可视化平台，其特征在于，所述方法包括：
按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
将实时采集的电力运行数据信息输入至预先构建的参数故障类型识别模型中，获得配电节点此状态下的潜在故障类型；
从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
基于历史数据，设置图像故障相关性矩阵，所述图像故障相关性矩阵为设备故障图像特征集合与故障类型之间的相关性矩阵；在图像故障相关性矩阵中相同类型的图像特征位于同一行，相同类型的故障类型位于同一列，行与列的交叉点即为此行图像特征与此列故障类型之间的相关系数；
根据图像故障相关性矩阵，将潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
将故障易发指数与预设阈值进行比对：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示。
2.如权利要求1所述的基于可视平台的配电网络故障定位方法，其特征在于，所述图像故障相关性矩阵的构建方法，包括：
收集包含设备故障图像及其对应故障类型的样本数据；
对样本数据中的每一张图片，利用计算机视觉技术提取出与故障类型相关的图像特征，形成设备故障图像特征集合；
将提取的每一类图像特征转化为数值形式，并进行标准化处理；
设定一个M×N的矩阵，其中M代表预设的设备故障图像特征集合中的特征数量，N代表配电网络的故障类型数量；矩阵的行代表设备故障图像特征，列则代表故障类型；
计算每种故障类型与每类设备故障图像特征之间的关联度，将该关联度值填入矩阵的相应交叉点位置作为相关系数，得到图像故障相关性矩阵。
3.如权利要求2所述的基于可视平台的配电网络故障定位方法，其特征在于，计算每种故障类型与每类设备故障图像特征之间的关联度的公式为：
;
其中，r为故障类型与设备故障图像特征之间的关联度，是第i个样本中图像特征的数值，/>是第i个样本中对应故障类型的标签，故障类型的标签采用二进制或类别编码，n是样本数量，/>和/>分别是图像特征和故障类型标签的均值。
4.如权利要求1所述的基于可视平台的配电网络故障定位方法，其特征在于，潜在故障类型的故障易发指数的计算公式为：
;
其中，F表示潜在故障类型的故障易发指数，R(i,k)表示在图像故障相关性矩阵中第i个实时图像特征与当前潜在故障类型k之间的相关系数，Wi表示第i个实时图像特征的权重值，n代表实时图像特征的总数。
5.如权利要求1所述的基于可视平台的配电网络故障定位方法，其特征在于，所述参数故障类型识别模型的构建方法，包括：
收集历史电力运行数据和对应的故障类型标签，包括各种正常状态和故障状态下的电力运行数据；
对收集到的数据进行预处理，包括数据清洗、缺失值填充、异常值处理和归一化处理；
从预处理后的电力运行数据中提取出与故障类型相关的特征；
选择机器学习算法作为参数故障类型识别模型的算法基础，基于训练数据，利用选择的算法对模型进行训练，建立电力运行数据与故障类型之间的映射关系；
使用独立的测试数据对训练好的模型进行评估，并根据评估结果，对模型进行优化调整。
6.如权利要求4所述的基于可视平台的配电网络故障定位方法，其特征在于，所述实时图像特征的权重值的确定方法，包括：
通过分析历史故障案例中的设备图像信息，统计各类故障发生时不同图像特征出现的频率及其与实际故障确认的相关程度；
根据电力设备维护专家的知识和经验，人为设定不同图像特征对于不同类型故障的重要等级作为权重。
7.如权利要求1所述的基于可视平台的配电网络故障定位方法，其特征在于，所述故障类型包括过热、腐蚀、变形、断裂和异物侵入；所述设备图像信息包括实时设备图像和实时设备红外热图像。
8.一种基于可视平台的配电网络故障定位系统，其特征在于，所述系统包括：
数据采集模块，用于按预设采集频率，实时采集配电节点的电力运行数据信息和设备图像信息；
故障类型识别模块，用于将实时采集的电力运行数据输入至预先存储的参数故障类型识别模型中，通过分析数据的异常情况，识别出配电节点当前状态下的潜在故障类型；
图像特征提取模块，用于从实时获取的设备图像信息中提取与预设的设备故障图像特征集合中相同类型的实时图像特征；
图像故障相关性矩阵存储模块，基于历史数据，设置图像故障相关性矩阵；所述图像故障相关性矩阵用于表示设备故障图像特征与故障类型之间的关联性，在所述图像故障相关性矩阵中的每一行表示一种图像特征，每一列表示一种故障类型，此行图像特征与此列故障类型之间的相关系数；
故障易发指数计算模块，用于根据图像故障相关性矩阵，对潜在故障类型下各实时图像特征对应的相关系数进行加权计算，得到潜在故障类型的故障易发指数；
故障预警与定位模块，用于将故障易发指数与预设阈值进行比对，根据比对结果采取不同的预警和定位策略：
若故障易发指数小于预设阈值，则维持预设采集频率继续对配电节点进行监测；
若故障易发指数等于预设阈值，则将提高预设采集频率，并对配电节点进行监测；
若故障易发指数大于预设阈值，则将潜在故障类型判定为实时故障类型，并将实时故障类型与配电节点所处位置向运维人员进行提示。
9.一种基于可视平台的配电网络故障定位电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220011.4A CN117783769B (zh) | 2024-02-28 | 2024-02-28 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220011.4A CN117783769B (zh) | 2024-02-28 | 2024-02-28 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117783769A CN117783769A (zh) | 2024-03-29 |
| CN117783769B true CN117783769B (zh) | 2024-05-10 |
Family
ID=90383872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410220011.4A Active CN117783769B (zh) | 2024-02-28 | 2024-02-28 | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117783769B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118521530A (zh) * | 2024-04-19 | 2024-08-20 | 苏州科技大学 | 基于图像处理的太赫兹安全检测方法及系统 |
| CN118503860A (zh) * | 2024-07-17 | 2024-08-16 | 国网山西省电力公司信息通信分公司 | 基于深度学习的设备运行数据分析方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103185730A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 |
| EP3501829A1 (en) * | 2017-12-21 | 2019-06-26 | Koh Young Technology Inc. | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium |
| CN112766372A (zh) * | 2021-01-19 | 2021-05-07 | 中国电力科学研究院有限公司 | 基于微气象感知的电力设备状态监测预警方法与系统 |
| CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
| CN114355240A (zh) * | 2021-12-01 | 2022-04-15 | 国网安徽省电力有限公司电力科学研究院 | 配电网接地故障诊断方法及装置 |
| CN114414935A (zh) * | 2021-12-15 | 2022-04-29 | 国网四川省电力公司信息通信公司 | 基于大数据的配电网馈线故障区域自动化定位方法和系统 |
| CN114612460A (zh) * | 2022-03-24 | 2022-06-10 | 国网江苏省电力有限公司泰州供电分公司 | 一种输电故障类型自动识别判断方法 |
| CN114662976A (zh) * | 2022-04-11 | 2022-06-24 | 云南电网有限责任公司德宏供电局 | 一种基于卷积神经网络的配电网架空线路状态评估方法 |
| CN115048985A (zh) * | 2022-05-17 | 2022-09-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种电气设备故障判别方法 |
| CN115238785A (zh) * | 2022-07-19 | 2022-10-25 | 上海交通大学宁波人工智能研究院 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
| CN115410024A (zh) * | 2022-05-27 | 2022-11-29 | 福建亿榕信息技术有限公司 | 一种基于动态激活热力图的电力图像缺陷检测方法 |
| CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电系统的故障检测方法及系统 |
| CN117406027A (zh) * | 2023-10-26 | 2024-01-16 | 贵州电网有限责任公司 | 一种配电网故障测距方法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210003626A1 (en) * | 2019-07-03 | 2021-01-07 | King Fahd University Of Petroleum And Minerals | Method for inaccuracy prediction and mitigation of impedance-based fault location in distribution grids |
-
2024
- 2024-02-28 CN CN202410220011.4A patent/CN117783769B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103185730A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 |
| EP3501829A1 (en) * | 2017-12-21 | 2019-06-26 | Koh Young Technology Inc. | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium |
| CN109946319A (zh) * | 2017-12-21 | 2019-06-28 | 株式会社高永科技 | 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质 |
| CN112766372A (zh) * | 2021-01-19 | 2021-05-07 | 中国电力科学研究院有限公司 | 基于微气象感知的电力设备状态监测预警方法与系统 |
| CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
| CN114355240A (zh) * | 2021-12-01 | 2022-04-15 | 国网安徽省电力有限公司电力科学研究院 | 配电网接地故障诊断方法及装置 |
| CN114414935A (zh) * | 2021-12-15 | 2022-04-29 | 国网四川省电力公司信息通信公司 | 基于大数据的配电网馈线故障区域自动化定位方法和系统 |
| CN114612460A (zh) * | 2022-03-24 | 2022-06-10 | 国网江苏省电力有限公司泰州供电分公司 | 一种输电故障类型自动识别判断方法 |
| CN114662976A (zh) * | 2022-04-11 | 2022-06-24 | 云南电网有限责任公司德宏供电局 | 一种基于卷积神经网络的配电网架空线路状态评估方法 |
| CN115048985A (zh) * | 2022-05-17 | 2022-09-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种电气设备故障判别方法 |
| CN115410024A (zh) * | 2022-05-27 | 2022-11-29 | 福建亿榕信息技术有限公司 | 一种基于动态激活热力图的电力图像缺陷检测方法 |
| CN115238785A (zh) * | 2022-07-19 | 2022-10-25 | 上海交通大学宁波人工智能研究院 | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 |
| CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电系统的故障检测方法及系统 |
| CN117406027A (zh) * | 2023-10-26 | 2024-01-16 | 贵州电网有限责任公司 | 一种配电网故障测距方法及其系统 |
Non-Patent Citations (2)
| Title |
|---|
| Bingying Jin 等.Distribution Network Fault Identification Based on the Improved Transformer Network.《2023 8th Asia Conference on Power and Electrical Engineering》.第1818-1824页. * |
| 基于时序卷积残差网络的主动配电系统线路短路故障诊断方案;褚旭 等;《电工技术学报》;20230430;第38卷(第8期);第2178-2190页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117783769A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
| US10729382B2 (en) | Methods and systems to predict a state of the machine using time series data of the machine | |
| CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
| CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
| CN118150943B (zh) | 配电网接地故障定位方法、系统、电子设备及存储介质 | |
| CN118408583B (zh) | 一种编码器故障诊断方法及系统 | |
| CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
| CN118035814A (zh) | 基于数字孪生场域数据分析设备状态故障预警方法及系统 | |
| CN118035921A (zh) | 基于医疗数据的异常分析方法及系统 | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN117391459A (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN117724933B (zh) | 一种数据中心通信热管理检测方法及系统 | |
| CN118470649B (zh) | 一种基于双层感知的配网电缆环境感知方法及系统 | |
| CN118037063B (zh) | 基于工业互联网云平台的化工园区安全管理方法及系统 | |
| CN117640218B (zh) | 一种电力网络安全仿真方法和系统 | |
| CN117808316A (zh) | 基于多时空粒度数据融合的林地退化预测推演方法 | |
| CN117172545A (zh) | 一种风险预警方法、装置及计算机可读存储介质 | |
| CN116383751A (zh) | 一种数据驱动的园区管理服务Qos监测方法及系统 | |
| CN118096112A (zh) | 一种智能建筑设施运维方法、系统、设备及介质 | |
| Abdulova | Analysis of Approximating and Detailing Wavelet Decomposition Coefficients in the Risk Potential Predictive Algorithm |
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 |