CN117783793A - 一种开关柜的故障监测方法及系统 - Google Patents
一种开关柜的故障监测方法及系统 Download PDFInfo
- Publication number
- CN117783793A CN117783793A CN202410200434.XA CN202410200434A CN117783793A CN 117783793 A CN117783793 A CN 117783793A CN 202410200434 A CN202410200434 A CN 202410200434A CN 117783793 A CN117783793 A CN 117783793A
- Authority
- CN
- China
- Prior art keywords
- image
- partial discharge
- switch cabinet
- node
- target
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims description 28
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000013124 brewing process Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000009413 insulation Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011514 vinification Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种开关柜的故障监测方法及系统，涉及电力系统及其自动化技术领域。该方法包括：获取目标开关柜内的至少两种不同类型的图像信息；配置目标开关柜内的正常温度区间；进行图像分割，以筛选出该图像信息中的目标子图像区域；在每一个目标子图像区域中提取至少一个节点，并基于部分节点确定出数条节点之间的可疑放电路径；将各节点作为角点、可疑放电路径作为边，构建类拓扑图数据；将构建的类拓扑图数据输入预先训练好的局部放电识别模型，以输出局部放电识别结果。该系统包括采集单元、处理单元和识别单元。本发明可以实现对开关柜可能存在的局部放电故障进行不间断的非接触式放电监测，提高了电气设备的安全可靠性。
Description
技术领域
本发明涉及电力系统及其自动化技术领域，尤其涉及一种开关柜的故障监测方法及系统。
背景技术
开关柜是一种电气设备，其主要作用是在电力系统进行发电、输电、配电和电能转换的过程中，进行开合、控制和保护用电设备。开关柜内的部件主要包括断路器、隔离开关、负荷开关、操作机构、互感器以及各种保护装置等。当开关柜中某一区域的电场强度达到或超过其击穿场强时，该区域就会出现局部放电的现象。
局部放电是一种脉冲放电现象，它会在电力设备内部和周围空间产生一系列的光、声、热和振动等物理现象和化学变化，这些伴随局部放电而产生的各种物理和化学变化可以为监测电力设备内部绝缘状态提供检测信号。当高压电气设备内部出现绝缘缺陷时，会伴随有局部放电信号的产生。通过对局部放电信号的监测和分析，可以判断高压电气设备内部是否存在绝缘隐患，以防止潜在事故风险的进一步扩大。
由于设备绝缘系统在出厂时可能存在厚度不均、内部气泡过多等潜在问题，当设备长期通电后，电介质内部或表面局部电场强度过高，长时间作用下导致设备绝缘系统中出现部分被击穿的电气放电，这种放电可以发生在导体（电极）附近，也可发生在其他位置。其造成带电粒子的直接碰撞作用，导致局部发热甚至高温等严重危害。
酿酒过程涉及复杂的生物化学反应和物理过程，包括原料的选择、发酵、蒸馏、陈酿等环节。这个过程旨在通过微生物的作用将原料转化为酒精和风味物质，最终生产出高品质的白酒。为提升酿酒工艺的效率和品质，在泸州老窖的酿酒过程中，精确的温度控制、稳定的电源供应以及高效的设备运行是确保最终产品品质的关键因素。近年来，随着智能化和自动化技术的发展，酿酒公司开始探索将这些技术应用于酿酒过程的各个生产环节以进行智能化技术改造。同时，酿酒公司在能源供应保障板块也积极推进并实施热电联产模式，能源电力稳定、可靠供应的相关技术探索也是酿酒公司生产中的关键技术研发方向。
酿酒生产各环节会使用数量规模较大的用电设备，例如摊晾机、蒸馏锅以及传送带等，稳定的电力供应对酿酒工艺的正常进行至关重要。作为酿酒车间能源供应设备的重要组成部分，开关柜在长期运行过程中可能会受到电气老化、接触不良等因素的影响，导致局部放电现象的发生。局部放电不仅可能引发设备故障，还可能对酿酒环境中的温度、湿度等参数造成干扰，进而影响酿酒微生物的生长和代谢，最终影响酒的品质。
为了解决这一问题，本发明探索开关柜局部放电监测技术在酿酒工艺电力保障中的应用，通过实时监测开关柜的局部放电情况，及时发现潜在的设备故障，并采取相应的维护措施，确保酿酒设备的稳定运行。本发明旨在将开关柜局部放电监测技术应用于酿酒设备的电力供应过程中，确保酿酒设备的稳定运行，优化酿酒过程中的电源管理和温度控制策略，进一步提高酿酒工艺的效率和品质。
CN106970306A公开了一种开关柜局部放电监测系统，包括第一传感器，第二传感器和监测电路，第一、第二传感器分别设置在开关柜表面，第一、第二传感器分别与监测电路连接，监测电路包括前端输入模块、信号滤波及调理模块、AD采样模块、处理模块和控制器，前端输入模块分别与第一、第二传感器电性连接，信号滤波及调理模块分别与前端输入模块和AD采样模块电性连接，处理模块分别与控制器和AD采样模块电性连接，所述控制器与信号滤波及调理模块电性连接。
CN113985219A公开了一种开关柜局部放电和温度联合监测系统及监测方法，其目的在于克服现有局部放电和温度联合监测系统存在较大漏检风险的缺陷。监测方法包括以下步骤：获取温度信号和混合信号；滤除混合信号中的干扰信号以获得滤波信号；当温度信号超出标准温度信号范围时，判定开关柜温度异常，否则判定开关柜温度正常；将滤波信号和标准局放信号进行比对，当滤波信号符合标准局放信号时，判定开关柜存在局放现象，否则判定开关柜没有局放现象；当开关柜温度异常或开关柜存在局放现象时，发出告警。
CN112255517A公开了一种开关柜的局部放电和温度联合在线监测系统。所述在线监测系统的分布式光纤传感器、信号放大模块、信号处理模块、微处理器、信号传输模块、运行管理服务器、云端监测平台依次信号连接，电源模块与分布式光纤传感器、运算放大模块、信号处理模块、微处理器、信号传输模块分别电连接；所述分布式光纤传感器的探头由温度传感器和光纤等离子体共振传感器构成，且探头贴合待测电缆布置。
现有实施方案中，通常安排携带手持式设备的运维人员进行巡检，以快速地对开关室内的所有开关柜进行测试。当现场存在局部放电现象时，手持式设备可以就地检测到相关数据，并直接在手持式设备上显示局部放电幅值大小、脉冲数及放电烈度，且伴随有可分辨的放电声。但该方式限制较大，无法在离线应用过程中及时监测到故障隐患。而现有技术的在线监测方法所需经历的数据处理步骤过于冗杂，且过多的数据量会严重影响运算效率，甚至可能造成出现监测延迟等严重后果。
此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对开关柜内发生的故障，现有技术已经出现通过对高压开关柜表面温度变化进行检测并以此来判断具体的开关柜故障类型的技术方案。例如，公开号为CN111121971A的专利文献公开了一种通过高压开关柜表面温度变化判断故障类型的方法，首先通过红外测温设备获取高压开关柜的柜体表面温度数据，将柜体表面温度数据与高压开关柜的柜体表面位置进行关联以识别出高温的温度数据，再将得到的高温的温度数据与相应的时间数据、开关柜运行数据和环境数据输入故障判别功能模块，通过故障判别功能模块输出相应的高压开关柜发热的原因，最后将得到的高温的温度值对应的高温位置和高压开关柜发热的原因进行关联，得到高压开关柜的柜内发热部件及发热故障类型。该技术方案实质上通过红外图像信息来实现对开关柜内部的温度进行持续监测，以温度指标变化作为不同类型故障的判断因素。该技术方案中的温度信息变化仅仅是故障发生后在开关柜内所产生的累积现象，只有当所检测的温度数据超出预设的温度范围时，才能确定开关柜内的某些具体位置发生故障。然而，开关柜内的局部放电是当高压电气设备内部出现绝缘缺陷时，会伴随有局部放电信号的产生，局部放电会产生累积效应，使绝缘的介电性能逐渐劣化，并导致绝缘缺陷的逐步扩大，最终可能导致整个绝缘击穿。也即是说，开关柜内的局部放电过程并不会导致温度从正常范围突变至预警范围，甚至不会马上导致局部放电处的温度发生显著变化。因此，仅依靠对开关柜外部的温度检测信息无法获得准确的局部放电检测结果，导致技术人员无法根据检测结果及时采取相应的应对措施。
针对现有技术之不足，本发明提供了一种开关柜的故障监测方法及系统，以解决上述至少部分技术问题。
本发明公开了一种开关柜的故障监测方法，其包括如下步骤：
获取目标开关柜内的至少两种不同类型的图像信息；
基于环境温度以及识别周期，配置目标开关柜内的正常温度区间；
基于设置的正常温度区间，对所采集的至少一种图像信息进行图像分割，以筛选出该图像信息中的目标子图像区域；
在每一个目标子图像区域中提取至少一个节点，并基于部分节点确定出数条节点之间的可疑放电路径；
将各节点作为角点、可疑放电路径作为边，构建类拓扑图数据；
将构建的类拓扑图数据输入预先训练好的局部放电识别模型，以输出该目标开关柜的局部放电识别结果。
与上述现有技术相比，本发明选择将目标开关柜内的图像信息作为构建局部放电识别模型输入的要素，而并非直接通过对温度变化的检测来对故障进行识别。基于上述区别技术特征，本发明要解决的问题可以包括：如何针对开关柜进行局部放电故障的连续性检测。具体地，局部放电过程所导致的温度显著变化属于局部放电过程进行到相对后期所带来的显著变化，如果仅依靠温度信息变化来对局部放电缺陷进行检测，无法对类似于局部放电初期故障进行识别，也无法通过对温度信息的检测来实现局部放电故障的连续在线监测。本发明与传统开关柜局部放电检测技术相比，可以通过一种非接触式放电监测方法，实现对目标开关柜可能存在的局部放电故障的连续不间断的监测与预测，提高了电气设备的安全可靠性。并且本发明在监测过程中，通过对获取的大量数据信息进行多次有目的性的分析处理，来获取需要输入至预先训练好的局部放电识别模型中的类拓扑图数据，如此一来不仅大幅降低了输入至局部放电识别模型中的数据量，还可基于以类拓扑图的形式输入的数据来提高局部放电识别模型的运算效率，降低了处理器的运算负荷，保证了局部放电识别结果输出的及时性，避免了监测延迟等情况发生。
根据一种优选实施方式，针对目标开关柜所获取的图像信息包括目标开关柜内的常规基础图像和红外图像，其中，红外图像能够以与常规基础图像具有相同的采样视角的方式采集。
与上述现有技术相比，本发明针对目标开关柜所获取的图像信息还包括目标开关柜内的与红外图像具有相同的采样视角的方式采集的常规基础图像。基于上述区别技术特征，本发明要解决的问题可以包括：如何提高根据目标开关柜内的局部放电可能性对图像信息进行分割的效率。具体地，如果仅依靠单一的红外图像信息，只能反映不同检测对象的温度分布情况，对于开关柜内的柜门区域、柜顶区域等发生局部放电的可能性较低的区域，其温度变化可能相对较小，红外图像信息对于局部放电的识别作用不大，此类区域的排除仅依靠红外图像自身所显示的信息是无法实现的，尤其是在目标开关柜内的布局发生改变的情况下，红外图像信息无法反映目标开关柜内发生局部放电可能性的信息。本发明如此设置使得以具有相同的采样视角的方式采集的常规基础图像可以用于在红外图像中筛选出感兴趣的子图像区域，其中，感兴趣的子图像区域为需要进行后续分析的目标子图像区域。由于红外图像和常规基础图像的采样视角相同，因此，可利用常规基础图像来确定图像信息中的柜门区域、柜顶区域等发生局部放电的可能性较低的区域所在的位置，并将这些区域的所在位置一一映射至红外图像，以便于图像分割。
根据一种优选实施方式，历史数据记录中的与当前环境的季节或气候等条件相应的处于正常运行状态的任一同类型的开关柜的红外图像能够被用于确定特定时段内的正常温度区间，其中，特定时段基于识别周期调整。
识别周期可根据实际的运行情况来确定和调整，其中，当目标开关柜在运行时的环境温度变化不大时，可以适当延长配置的识别周期；反之，当目标开关柜在运行时的环境温度变化较大时，可以适当缩短配置的识别周期。目标开关柜内的正常温度区间更新的周期可设置为局部放电识别模型对处理后的图像的识别周期。
根据一种优选实施方式，根据目标开关柜的柜体结构、常规基础图像和/或当前的正常温度区间对红外图像进行图像分割，以筛选出保留的区域，其中，在保留的区域中选取部分触点区域和/或可疑电流汇集点区域以形成包含若干目标子图像区域的子集。
在根据目标开关柜的柜体结构对所采集的红外图像进行图像分割时，可以将发生局部放电的可能性较低的区域剔除，以保留剩余的区域，其中，发生局部放电的可能性较低的区域可根据经验和/或历史数据记录来确定。优选地，在剔除发生局部放电的可能性较低的区域时，可以利用与红外图像具有相同的采样视角的常规基础图像来确定图像信息中的柜体结构所属的区域类型，从而根据确定的柜体结构所属的区域类型来判断红外图像中对应的区域应剔除或保留，其中，柜体结构所属的区域类型包括发生局部放电的可能性较低的区域和发生局部放电的可能性较高的区域。
根据一种优选实施方式，在每一个目标子图像区域中提取的节点的数量和/或位置能够根据采集到的红外图像所表征的区域温度情况来确定，其中，红外图像所表征的区域温度情况包括温度极值点。
根据一种优选实施方式，可疑放电路径可采用如下方式确定：按照识别周期设置类似滑动时间窗口，并确定识别周期内的输入图像；从提取的节点中选取可疑点，并将所确定的可疑点之间和/或可疑点到距离最短的接地点之间的路径作为可疑放电路径；按照指定的时间步长对时间窗口进行滑动，从而选取出新的一组输入图像。
与上述现有技术相比，本发明能够将从目标子图像区域中提取节点中选取可疑点作为可疑放电路径的确定要素。基于上述区别技术特征，本发明要解决的问题可以包括：如何根据不同的输入图像确定可疑放电路径。具体地，在按照识别周期设置类似滑动时间窗口时，可根据开关柜负荷情况来确定时间窗口中的输入图像的数量，其中，负荷越高的时段选取的作为输入的图像相对越多。将识别周期内的输入图像中的各节点的峰值温度映射到最近采集的红外图像上，并通过与每个节点设置的温度参考值进行对比来进行偏差判断，以将偏差大于预设阈值的节点作为可疑点。
根据一种优选实施方式，局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，在两级图卷积模块与图贡献池化模块的组合结构之间设置有节点加权模块，以通过节点加权模块来增强感兴趣的节点的权重。
与上述现有技术相比，本发明在局部放电识别模型中的两级图卷积模块与图贡献池化模块之间设置节点加权模块。基于上述区别技术特征，本发明要解决的问题可以包括：如何提高类拓扑图数据中的特性信息的权重以提高局部放电识别结果的准确，同时降低局部放电过程所需要处理的运算负荷。具体地，由于输入局部放电识别模型的类拓扑图数据是非结构化图数据，并且受限于同类型开关柜局部放电的训练样本较少的现状，因此难以用常规卷积神经网络提取特征。本发明利用图卷积模块与图贡献池化模块提取类拓扑图数据中的特性信息，并通过节点加权模块来增强感兴趣的节点的权重。如此设置是因为在进行模型运算时更希望使重要的节点及其特征以具有更大权重值的方式来得到更多的重视，而为相对不重要的节点及其特征设置相对更小的权重值，从而在保证识别准确度的同时降低运算量，以缓解过拟合的风险。
本发明还公开了一种开关柜的故障监测系统，其包括：采集单元，用于获取与目标开关柜相关的一种或多种数据信息；处理单元，用于对采集单元获取的数据信息进行分析处理，以生成能够输入至预先训练好的局部放电识别模型中的数据；识别单元，用于运行局部放电识别模型，以输出局部放电识别结果。
局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，在两级图卷积模块与图贡献池化模块的组合结构之间设置有节点加权模块，以通过节点加权模块来增强感兴趣的节点的权重。
根据一种优选实施方式，采集单元配置有用于获取常规基础图像的第一采集部件和用于获取红外图像的第二采集部件，其中，第一采集部件和第二采集部件能够以具有相同视角的方式设置，以使得第一采集部件获取的常规基础图像能够用于确定第二采集部件获取的红外图像中的目标子图像区域。
根据一种优选实施方式，处理单元能够对第二采集部件所采集的红外图像进行图像分割，以筛选出目标子图像区域，并从当前红外图像的每一个目标子图像区域中提取出至少一个节点以及基于至少部分节点确定出的可疑放电路径，其中，处理单元能够将各节点作为角点、可疑放电路径作为边，以构建用于输入至识别单元的局部放电识别模型的类拓扑图数据。
在实际运行过程中温度是绝缘系统老化后造成局部放电的重要因素，本发明可将识别周期内的各节点的温度都映射到同一图像上，并在同一图像上引入时间的累加关系，以通过反映在同一图像上的方式直接基于各节点的峰值温度来预测出节点与节点之间是否存在局部放电的可能性。此外，当前的设备状态情况可以被展示于最新采集的图像上，以便于观察。
附图说明
图1是本发明提供的一种优选实施方式的故障监测方法的流程示意图；
图2是本发明提供的一种优选实施方式的局部放电识别模型的模型示意图；
图3是本发明提供的一种优选实施方式的故障监测系统的简化模块示意图。
附图标记列表
100：采集单元；110：第一采集部件；120：第二采集部件；130：第三采集部件；200：处理单元；300：识别单元。
具体实施方式
下面结合附图进行详细说明。
现有酿酒公司长期致力于提升酿酒工艺的智能化与自动化水平。针对酿酒过程中制曲、酿酒的信息化、自动化技改方面进行了大量探索。尤其是对于酿酒生产数字化、智能化的酿酒生态园来说，酿酒环境的温度、湿度、压力等环境参数的精确控制对确保产品质量至关重要。现有的酿酒设备监控体系主要关注于直接影响酿酒过程的参数，如发酵罐内的温度和压力。与此同时，为酿酒设备提供稳定电力能源的电气设备的安全运行状态对酿酒环境稳定性也至关重要。在电力系统中，开关柜是关键的配电设备，其局部放电现象可能导致设备性能下降、绝缘损坏，甚至引发火灾等严重后果。本发明通过对开关柜相关技术的深入研究，发现开关柜局部放电不仅影响电力系统的安全，而且还对酿酒工艺的稳定运行造成潜在影响。例如，局部放电产生的电磁波和热量可能会对酿酒设备的传感器和控制系统造成干扰，进而影响酿酒过程的稳定性和产品质量。因此，本发明提出了一种将开关柜局部放电监测技术，通过实时监测开关柜的局部放电情况，及时发现并处理潜在的电气安全隐患，确保酿酒设备在稳定的电气环境下运行，这不仅有助于提升酿酒过程的安全性和效率，还能够提高最终产品的质量。
根据一种优选实施方式，如图1所示，本发明公开了一种开关柜的故障监测方法，其包括如下步骤：
S1、获取目标开关柜内的至少两种不同类型的图像信息；
S2、基于环境温度以及识别周期，配置目标开关柜内的正常温度区间；
S3、对所采集的至少一种图像信息进行图像分割，以筛选出该图像信息中的目标子图像区域；
S4、在每一个目标子图像区域中提取至少一个节点，并基于部分节点确定出数条节点之间的可疑放电路径；
S5、将各节点作为角点、可疑放电路径作为边，构建类拓扑图数据；
S6、将构建的类拓扑图数据输入预先训练好的局部放电识别模型，以输出该目标开关柜的局部放电识别结果。
优选地，在步骤S1中，针对目标开关柜所获取的图像信息可包括目标开关柜内的常规基础图像和红外图像，其中，目标开关柜内的常规基础图像可利用设置于目标开关柜内的常规成像设备进行采集；目标开关柜内的红外图像可利用设置于目标开关柜内的红外成像设备进行采集。优选地，利用红外成像设备获取的红外图像可以实现对目标开关柜内任意位置的温度进行实时监测，以通过温度数据判断目标开关柜内的异常情况。优选地，红外图像在采集时能够与常规基础图像具有相同的采样视角，从而使得常规基础图像可以用于在红外图像中筛选出感兴趣的子图像区域，其中，感兴趣的子图像区域为需要进行后续分析的目标子图像区域。
优选地，在步骤S2中，可根据历史数据记录中的与当前环境的季节或气候等条件相应的处于正常运行状态的任一同类型的开关柜的红外图像来确定一段时间的正常温度区间。优选地，识别周期可根据实际的运行情况来确定和调整，其中，当目标开关柜在运行时的环境温度变化不大时，可以适当延长配置的识别周期；反之，当目标开关柜在运行时的环境温度变化较大时，可以适当缩短配置的识别周期。优选地，识别周期可设置有常规的调整范围，以使得在根据温度变化来延长或缩短识别周期时，可以被限制在该调整范围内，其中，若需要超出该调整范围，则需要具有相应的调控权限。优选地，目标开关柜内的正常温度区间更新的周期可设置为局部放电识别模型对处理后的图像的识别周期。示例性地，当模型输入特定时段的图像数据时，则可以将更新目标开关柜内的正常温度区间的周期设置为该特定时段，其中，特定时段可以为一周、半个月等。
优选地，在步骤S3中，进行图像分割的图像信息可包括红外图像，以筛选出红外图像中的感兴趣的子图像区域，即目标子图像区域。优选地，红外图像可根据目标开关柜的柜体结构、常规基础图像和/或当前的正常温度区间进行图像分割。优选地，开关柜的柜体可分出多个单独的隔室，包括母线室、手车室、电缆室和/或仪表室。优选地，开关柜的柜体可采用镀铝锌板经数控冲剪和双折弯加工而成，使得整个柜体可具有较高的精度和较强的抗腐蚀性及抗氧化性。
优选地，在根据目标开关柜的柜体结构对所采集的红外图像进行图像分割时，可以将发生局部放电的可能性较低的区域剔除，以保留剩余的区域，其中，发生局部放电的可能性较低的区域可根据经验和/或历史数据记录来确定。示例性地，柜体结构的柜门区域、柜顶区域属于发生局部放电的可能性较低的区域。优选地，在剔除发生局部放电的可能性较低的区域时，可以利用与红外图像具有相同的采样视角的常规基础图像来确定图像信息中的柜体结构所属的区域类型，从而根据确定的柜体结构所属的区域类型来判断红外图像中对应的区域应剔除或保留，其中，柜体结构所属的区域类型包括发生局部放电的可能性较低的区域和发生局部放电的可能性较高的区域。由于红外图像和常规基础图像的采样视角相同，因此，可利用常规基础图像来确定图像信息中柜门区域、柜顶区域等发生局部放电的可能性较低的区域所在的位置，并将这些区域的所在位置一一映射至红外图像，以剔除红外图像中的这些区域，即可在红外图像中保留发生局部放电的可能性较高的区域。
优选地，在剩余的发生局部放电的可能性较高的区域中选取部分触点区域和/或可疑电流汇集点区域以形成子集，其中，子集可包括多个目标子图像区域。优选地，在目标开关柜内的布局不发生改变的情况下，能够以相对固定的分割方式来完成红外图像的分割，但是当目标开关柜内的布局发生变化后，则可以对图像分割方式进行更新。进一步地，当根据经验和/或历史数据记录确定部分柜体结构的所属区域类型改变时，可以对图像分割方式进行更新。
优选地，在步骤S4中，在子集所包含的多个目标子图像区域中依次选取每一个目标子图像区域，并可根据采集到的红外图像所表征的区域温度情况在每一个目标子图像区域中提取出至少一个感兴趣的节点，其中，利用红外图像所表征的区域温度情况来获取的温度极值点可以被用于确定节点提取的数量和位置。优选地，节点还可根据目标开关柜在不同时间和/或不同负荷条件下采集的历史数据记录来确定。优选地，节点还可根据经验确定。优选地，将上述一种或多种方式确定的节点合并，以作为感兴趣的节点的集合。
优选地，在提取若干感兴趣的节点之后，可以基于部分节点确定出数条节点之间的可疑放电路径。进一步地，可疑放电路径可采用如下方式确定：按照识别周期设置类似滑动时间窗口，并确定识别周期内的输入图像；从提取的节点中选取可疑点，并将所确定的可疑点之间和/或可疑点到距离最短的接地点之间的路径作为可疑放电路径；按照指定的时间步长对时间窗口进行滑动，从而选取出新的一组输入图像。
优选地，在按照识别周期设置类似滑动时间窗口时，可根据开关柜负荷情况来确定时间窗口中的输入图像的数量，其中，负荷越高的时段选取的作为输入的图像相对越多。示例性地，通常情况下开关柜在白天负荷高，而在晚上负荷低，因此，可选取白天的具有代表性的一张或一组图像或以白天的图像数量大于晚上的图像数量的方式选取一组图像来作为输入图像或输入图像的组合。
优选地，将识别周期内的输入图像中的各节点的峰值温度映射到最近采集的红外图像上，并通过与每个节点设置的温度参考值进行对比来进行偏差判断，以将偏差大于预设阈值的节点作为可疑点。进一步地，所确定的可疑点之间和/或可疑点到距离最短的接地点之间的路径能够被作为可疑放电路径。
优选地，当经过一个识别周期，时间窗口可按照指定的时间步长进行滑动，从而选取下一时间序列的输入图像。
优选地，在步骤S5中，可将步骤S4提取的节点作为角点，将至少部分角点连接形成的可疑放电路径作为边，以构建出类拓扑图数据。
优选地，在步骤S6中，预先训练好的局部放电识别模型可包括两个级联组合的图卷积模块（GCN）与图贡献池化模块（GCp），以利用图卷积模块与图贡献池化模块提取类拓扑图数据中的特性信息。优选地，在两级图卷积模块与图贡献池化模块的组合结构之间可设置有节点加权模块（wt），以通过节点加权模块来增强感兴趣的节点的权重。优选地，图贡献池化模块可采用全局协方差池化方式对拓扑特征进行处理。
由于输入模型的类拓扑图数据是非结构化图数据，并且受限于同类型开关柜局部放电的训练样本较少的现状，因此难以用常规卷积神经网络提取特征。基于此，本发明的局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，以形成GCN+GCp的组合结构，并且在GCN+GCp与GCN+GCp之间设置有节点加权模块，以形成如图2所示的模型示意图，其中，图2中所示的“输入”为输入模型的类拓扑图数据，GCN+GCp为图卷积模块（GCN）+图贡献池化模块（GCp）结构，X1为经过第一个GCN+GCp处理后的拓扑特征，由节点加权模块来增强部分节点的权重，X2为经过节点加权模块优化后的输出特征，由分类器进行分类识别，“输出”为局部放电识别结果。
具体地，局部放电识别模型可以执行如下步骤：
将输入的类拓扑图数据发送至第一个GCN+GCp，以经过第一个GCN+GCp的处理来得到拓扑特征X1，其中，拓扑特征X1可表示为D''；
将拓扑特征X1发送至节点加权模块，以经过节点加权模块的处理来得到输出特征X2，其中，输出特征X2可表示为hi '；
将输出特征X2发送至第二个GCN+GCp，以使得第二个GCN+GCp能够以输出特征X2作为输入来得到相应的输出；
第二个GCN+GCp的输出可被输入至分类器中，以获得局部放电识别结果。
如此设置是因为在进行模型运算时更希望使重要的节点及其特征以具有更大权重值的方式来得到更多的重视，而为相对不重要的节点及其特征设置相对更小的权重值，从而在保证识别准确度的同时降低运算量，以缓解过拟合的风险。
优选地，对于类拓扑图数据可采用如下公式进行处理：
其中，D和Dattr分别表示节点及节点特征，为模型输入，GNN(·)表示图卷积处理，norm表示归一化，tanh表示tanh激活函数，D'表示经图卷积运算后输出的特征，topN表示保留贡献度分数最高的N个节点，w为权重因子，U表示特征在w的指导下相乘，D''为经过图贡献池化模块运算后的输出。
优选地，图贡献池化模块的运算可采用如下方式：
利用图卷积处理上层拓扑特征D，对得到的节点特征归一化后，利用tanh激活函数处理，以得到拓扑特征D'；
利用topN方法处理图贡献池化模块的输入，按照节点贡献度分数排序，保留贡献度分数最高的N个节点，更新节点之间的连接关系，并将归一化之后的节点贡献度作为权重因子w；
在权重因子w的作用下，将前述步骤输出的拓扑特征相乘，完成拓扑特征的优化更新，其中，D''为经过图贡献池化模块运算后的输出。
优选地，节点加权模块的运算可采用如下方式：
设节点j的特征与节点i具有较大的放电路径相关性，也即若可能存在局部放电，则节点i、j可能在同一路径上；
定义节点贡献重要性度量e(hi, hj)与增强后的节点特征hi '，以满足：
其中，hi和hj表示未经加权增强处理的特征，α表示超参数，可在训练中进行训练学习并趋近于最优值，T表示转置，σ表示tanh激活函数，Ji表示与节点i具有放电路径相关性的节点个数，j表示第j个相关节点，LeakyReLU(·)表示LeakyReLU激活函数，W为相应的权重矩阵。
优选地，在实际监测应用中，节点之间的相互作用较为复杂，节点间的亲和度及相关节点特征向量的不同使得不同节点可能具有不同的贡献排序。基于此，本发明在两级图卷积模块与图贡献池化模块的组合结构之间设置的节点加权模块能够增强主要相关节点的特征贡献度。
优选地，具体的模型训练可以基于历史数据记录来完成。进一步地，可以通过获取同类型的开关柜的数据，以获取更多的训练样本。示例性地，在训练过程中可以使用随机梯度下降方法来优化模型，其中，学习率从0.1开始，损失函数采用NLL Loss。
根据一种优选实施方式，如图3所示，本发明还公开了一种开关柜的故障监测系统，其包括：采集单元100，用于获取与目标开关柜相关的一种或多种数据信息；处理单元200，用于对采集单元100获取的数据信息进行分析处理，以生成能够输入至预先训练好的局部放电识别模型中的数据；识别单元300，用于运行局部放电识别模型，以输出局部放电识别结果。优选地，故障监测系统可执行上述故障监测方法。
优选地，采集单元100可包括多种用于获取与目标开关柜相关的图像信息的采集部件，其中，采集单元100所获取的图像信息类型可包括常规基础图像和红外图像。优选地，采集单元100可配置有用于获取常规基础图像的第一采集部件110和用于获取红外图像的第二采集部件120，其中，第一采集部件110和第二采集部件120能够以具有相同视角的方式设置，以使得第一采集部件110获取的常规基础图像能够用于确定第二采集部件120获取的红外图像中的目标子图像区域。优选地，第一采集部件110可配置为常规成像设备，例如普通光学摄像组件，第二采集部件120可配置为红外成像设备。
优选地，在目标开关柜内的一个或多个指定位置以成对的方式设置具有相同视角的第一采集部件110和第二采集部件120，以使得目标开关柜内的特定目标可以被第一采集部件110和第二采集部件120同时获取相应的图像信息，其中，特定目标为目标开关柜中局部放电风险较高或所需防护等级较高的器件，例如断路器。进一步地，基于特定目标的设置位置确定第一采集部件110和第二采集部件120在目标开关柜内的设置位置，以确保能够以不被遮挡的方式获取特定目标的相应图像信息。优选地，第一采集部件110和第二采集部件120在将图像信息发送至处理单元200时，能够将其所在的指定位置的位置信息一并发送至处理单元200，以使得处理单元200可基于位置信息对图像信息进行分类及整理，并可以根据位置信息确定该图像信息所针对的特定目标。
优选地，采集单元100还可包括用于获取目标开关柜所处环境的气候信息的第三采集部件130，其中，第三采集部件130所获取的气候信息可包括环境温度。优选地，处理单元200可根据第三采集部件130获取的环境温度及设置的识别周期来配置目标开关柜内的正常温度区间。
优选地，处理单元200可设置为集成式组件，其集成于采集单元100或识别单元300上，或其能够设置为一独立组件。处理单元200可采用内置高性能的微处理芯片或专用集成电路（ASIC）的手机、平板电脑、个人数字助理（PDA）等，其具备一定的计算能力，以快速处理和分析来自采集单元100的图像信息和气候信息，并实时进行信息分析和处理。此外，处理单元200自身带有一定的内存和储存容量，以存储信息处理过程中的产生的临时数据和计算程序，以及存储配置文件和其他必要的数据。同时，为实现与采集单元100和识别单元300的信号连接，处理单元200还可具备数据传输接口，例如可采用高速串行通信接口、以太网接口或其他合适的通信协议。
针对目标开关柜的特定情况，对预先设定的识别周期、正常温度区间等进行个性化的设置，处理单元200还使用可编程逻辑门阵列（FPGA）或可定制的集成电路使其具备一定的扩展性和灵活性。优选地，处理单元200可根据目标开关柜的柜体结构、常规基础图像和/或当前的正常温度区间对第二采集部件120所采集的红外图像进行图像分割，以筛选出红外图像中的感兴趣的目标子图像区域。
优选地，处理单元200可从当前红外图像的每一个目标子图像区域中提取出至少一个感兴趣的节点，并基于至少部分感兴趣的节点确定出数条节点之间的可疑放电路径。
优选地，处理单元200可利用红外图像所表征的区域温度情况来获取温度极值点，以根据温度极值点来确定节点提取的数量和位置。优选地，处理单元200还可根据目标开关柜在不同时间和/或不同负荷条件下采集的历史数据记录来确定节点。优选地，节点可由运维人员根据经验输入至处理单元200。优选地，处理单元200可将上述一种或多种方式确定的节点合并，以作为感兴趣的节点的集合。
优选地，历史数据记录可被存储于云端服务器中，当处理单元200需要利用历史数据记录时可以从云端服务器中下载，并可在完成一次故障监测任务后和/或进行故障监测任务的过程中将该次故障监测的数据信息作为新的历史数据记录上传至云端服务器中。进一步地，处理单元200在将该次故障监测的数据信息作为新的历史数据记录上传至云端服务器中时，能够将原始的图像信息及获取该图像信息的采集部件所处的位置信息一并上传至云端服务器，以使得云端服务器可以将图像信息、位置信息及特定目标进行关联后储存。
优选地，处理单元200可采用如下方式确定可疑放电路径：按照识别周期设置类似滑动时间窗口，并确定识别周期内的输入图像；从提取的节点中选取可疑点，并将所确定的可疑点之间和/或可疑点到距离最短的接地点之间的路径作为可疑放电路径；按照指定的时间步长对时间窗口进行滑动，从而选取出新的一组输入图像。进一步地，处理单元200可根据常规基础图像对可疑放电路径进行筛选，剔除不可能路径。
优选地，处理单元200可将各节点作为角点、可疑放电路径作为边，以构建类拓扑图数据。
优选地，处理单元200可将构建的类拓扑图数据发送至内置有预先训练好的局部放电识别模型的识别单元300，以利用局部放电识别模型对输入数据进行分析处理，进而获得目标开关柜的局部放电识别结果。进一步地，局部放电识别模型可包括两个级联组合的图卷积模块与图贡献池化模块，以利用图卷积模块与图贡献池化模块提取类拓扑图数据中的特性信息。优选地，局部放电识别模型可在两级图卷积模块与图贡献池化模块的组合结构之间设置节点加权模块，以通过节点加权模块增强感兴趣的节点的权重。优选地，图贡献池化模块可采用全局协方差池化方式对拓扑特征进行处理。
优选地，本发明的局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，以形成GCN+GCp的组合结构，并且在GCN+GCp与GCN+GCp之间设置有节点加权模块，以形成如图2所示的模型示意图，其中，图2中所示的“输入”为输入模型的类拓扑图数据，GCN+GCp为图卷积模块（GCN）+图贡献池化模块（GCp）结构，X1为经过第一个GCN+GCp处理后的拓扑特征，由节点加权模块来增强部分节点的权重，X2为经过节点加权模块优化后的输出特征，由分类器进行分类识别，“输出”为局部放电识别结果。
优选地，处理单元200在进行数据处理时剔除的部分或全部节点和可疑放电路径能够以剔除数据的形式被发送至云端服务器，以使得云端服务器可以在闲时（例如运算负荷较低时）对剔除数据进行核验，从而避免对故障的漏检。优选地，云端服务器可以内置有与识别单元300所使用的相同或相似的识别模型，并可以在发现剔除数据中也存在局部放电的情况时，将输出结果反馈至处理单元200，以通过识别单元300输出总的局部放电识别结果。
如此设置可使得本地的识别单元300仅需处理最感兴趣的节点和可疑放电路径，以快速获得准确性相对较高的局部放电识别结果，而被处理单元200剔除的部分或全部节点和可疑放电路径能够以剔除数据的形式被发送至云端服务器，使得云端服务器可以不定期地对剔除数据进行核验，从而进一步提高局部放电识别结果的准确性。既提高了本地的识别单元300的识别效率，降低了运算负荷，又使得云端服务器不仅可作为数据库存储不同处理单元200上传的云端数据，还可以充分利用其配置的算力，对存储的云端数据中的剔除数据进行核验，实现资源的最大化利用。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”或“根据一种优选实施方式”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。在全文中，“优选地”所引导的特征仅为一种可选方式，不应理解为必须设置，故此申请人保留随时放弃或删除相关优选特征之权利。
Claims (10)
1.一种开关柜的故障监测方法，其特征在于，其包括如下步骤：
获取目标开关柜内的至少两种不同类型的图像信息；
基于环境温度以及识别周期，配置目标开关柜内的正常温度区间；
基于设置的正常温度区间，对所采集的至少一种图像信息进行图像分割，以筛选出该图像信息中的目标子图像区域；
在每一个目标子图像区域中提取至少一个节点，并基于部分节点确定出数条节点之间的可疑放电路径；
将各节点作为角点、可疑放电路径作为边，构建类拓扑图数据；
将构建的类拓扑图数据输入预先训练好的局部放电识别模型，以输出该目标开关柜的局部放电识别结果。
2.根据权利要求1所述的故障监测方法，其特征在于，针对所述目标开关柜所获取的图像信息包括所述目标开关柜内的常规基础图像和红外图像，其中，红外图像能够以与常规基础图像具有相同的采样视角的方式采集。
3.根据权利要求1所述的故障监测方法，其特征在于，历史数据记录中的与当前环境的季节或气候等条件相应的处于正常运行状态的任一同类型的开关柜的红外图像能够被用于确定特定时段内的正常温度区间，其中，特定时段基于识别周期调整。
4.根据权利要求2所述的故障监测方法，其特征在于，根据目标开关柜的柜体结构、常规基础图像和/或当前的正常温度区间对红外图像进行图像分割，以筛选出保留的区域，其中，在保留的区域中选取部分触点区域和/或可疑电流汇集点区域以形成包含若干目标子图像区域的子集。
5.根据权利要求4所述的故障监测方法，其特征在于，在每一个目标子图像区域中提取的节点的数量和/或位置能够根据采集到的红外图像所表征的区域温度情况来确定，其中，红外图像所表征的区域温度情况包括温度极值点。
6.根据权利要求5所述的故障监测方法，其特征在于，可疑放电路径采用如下方式确定：
按照识别周期设置类似滑动时间窗口，并确定识别周期内的输入图像；从提取的节点中选取可疑点，并将所确定的可疑点之间和/或可疑点到距离最短的接地点之间的路径作为可疑放电路径；按照指定的时间步长对时间窗口进行滑动，从而选取出新的一组输入图像。
7.根据权利要求1所述的故障监测方法，其特征在于，所述局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，在两级图卷积模块与图贡献池化模块的组合结构之间设置有节点加权模块，以通过所述节点加权模块来增强感兴趣的节点的权重。
8.一种开关柜的故障监测系统，其特征在于，其包括：
采集单元（100），用于获取与目标开关柜相关的一种或多种数据信息；
处理单元（200），用于对采集单元（100）获取的数据信息进行分析处理，以生成能够输入至预先训练好的局部放电识别模型中的数据；
识别单元（300），用于运行局部放电识别模型，以输出局部放电识别结果，
所述局部放电识别模型包括两个级联组合的图卷积模块与图贡献池化模块，在两级图卷积模块与图贡献池化模块的组合结构之间设置有节点加权模块，以通过所述节点加权模块来增强感兴趣的节点的权重。
9.根据权利要求8所述的故障监测系统，其特征在于，所述采集单元（100）配置有用于获取常规基础图像的第一采集部件（110）和用于获取红外图像的第二采集部件（120），其中，所述第一采集部件（110）和所述第二采集部件（120）能够以具有相同视角的方式设置，以使得所述第一采集部件（110）获取的常规基础图像能够用于确定所述第二采集部件（120）获取的红外图像中的目标子图像区域。
10.根据权利要求9所述的故障监测系统，其特征在于，所述处理单元（200）能够对所述第二采集部件（120）所采集的红外图像进行图像分割，以筛选出目标子图像区域，并从当前红外图像的每一个目标子图像区域中提取出至少一个节点以及基于至少部分节点确定出的可疑放电路径，其中，所述处理单元（200）能够将各节点作为角点、可疑放电路径作为边，以构建用于输入至所述识别单元（300）的局部放电识别模型的类拓扑图数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200434.XA CN117783793B (zh) | 2024-02-23 | 2024-02-23 | 一种开关柜的故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200434.XA CN117783793B (zh) | 2024-02-23 | 2024-02-23 | 一种开关柜的故障监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117783793A true CN117783793A (zh) | 2024-03-29 |
| CN117783793B CN117783793B (zh) | 2024-05-07 |
Family
ID=90389304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410200434.XA Active CN117783793B (zh) | 2024-02-23 | 2024-02-23 | 一种开关柜的故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117783793B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN107037339A (zh) * | 2017-04-28 | 2017-08-11 | 中国矿业大学 | 一种监测gis局部放电的超高频传感器布点方法 |
| CN108664993A (zh) * | 2018-04-08 | 2018-10-16 | 浙江工业大学 | 一种密集权重连接的卷积神经网络图像分类方法 |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
| CN111652872A (zh) * | 2020-06-02 | 2020-09-11 | 武汉市华和智联科技有限公司 | 基于感温变色的电缆涂层颜色识别装置及其识别方法 |
| CN111929542A (zh) * | 2020-07-03 | 2020-11-13 | 北京国网富达科技发展有限责任公司 | 一种电力设备诊断方法及系统 |
| CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
| KR20210118707A (ko) * | 2020-03-23 | 2021-10-01 | 한국전력공사 | 지중 케이블의 부분방전 분석 장치 및 그 방법 |
| CN113794857A (zh) * | 2021-08-23 | 2021-12-14 | 珠海一多监测科技有限公司 | 一种开关柜非介入式监测方法、装置、存储介质 |
| CN114882247A (zh) * | 2022-05-19 | 2022-08-09 | 东软睿驰汽车技术（沈阳）有限公司 | 图像的处理方法、装置和电子设备 |
| CN115797663A (zh) * | 2022-12-06 | 2023-03-14 | 北京航空航天大学 | 一种复杂光照条件下的空间目标材质识别方法 |
| CN115979985A (zh) * | 2023-01-10 | 2023-04-18 | 西安热工研究院有限公司 | 基于双光谱的煤堆温度智能监测方法、系统、设备及介质 |
| CN116310274A (zh) * | 2023-02-27 | 2023-06-23 | 深圳供电局有限公司 | 一种输变电设备的状态评估方法 |
| CN116682175A (zh) * | 2023-05-31 | 2023-09-01 | 南京理工大学 | 一种复杂环境下的车间人员危险行为检测方法 |
| CN116977907A (zh) * | 2023-06-25 | 2023-10-31 | 国网山东省电力公司金乡县供电公司 | 基于图像识别的电力巡检故障诊断方法及系统 |
| WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
-
2024
- 2024-02-23 CN CN202410200434.XA patent/CN117783793B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN107037339A (zh) * | 2017-04-28 | 2017-08-11 | 中国矿业大学 | 一种监测gis局部放电的超高频传感器布点方法 |
| CN108664993A (zh) * | 2018-04-08 | 2018-10-16 | 浙江工业大学 | 一种密集权重连接的卷积神经网络图像分类方法 |
| US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| KR20210118707A (ko) * | 2020-03-23 | 2021-10-01 | 한국전력공사 | 지중 케이블의 부분방전 분석 장치 및 그 방법 |
| CN111652872A (zh) * | 2020-06-02 | 2020-09-11 | 武汉市华和智联科技有限公司 | 基于感温变色的电缆涂层颜色识别装置及其识别方法 |
| CN111929542A (zh) * | 2020-07-03 | 2020-11-13 | 北京国网富达科技发展有限责任公司 | 一种电力设备诊断方法及系统 |
| CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
| CN113794857A (zh) * | 2021-08-23 | 2021-12-14 | 珠海一多监测科技有限公司 | 一种开关柜非介入式监测方法、装置、存储介质 |
| CN114882247A (zh) * | 2022-05-19 | 2022-08-09 | 东软睿驰汽车技术（沈阳）有限公司 | 图像的处理方法、装置和电子设备 |
| WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
| CN115797663A (zh) * | 2022-12-06 | 2023-03-14 | 北京航空航天大学 | 一种复杂光照条件下的空间目标材质识别方法 |
| CN115979985A (zh) * | 2023-01-10 | 2023-04-18 | 西安热工研究院有限公司 | 基于双光谱的煤堆温度智能监测方法、系统、设备及介质 |
| CN116310274A (zh) * | 2023-02-27 | 2023-06-23 | 深圳供电局有限公司 | 一种输变电设备的状态评估方法 |
| CN116682175A (zh) * | 2023-05-31 | 2023-09-01 | 南京理工大学 | 一种复杂环境下的车间人员危险行为检测方法 |
| CN116977907A (zh) * | 2023-06-25 | 2023-10-31 | 国网山东省电力公司金乡县供电公司 | 基于图像识别的电力巡检故障诊断方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 万晓琪 等: "卷积神经网络在局部放电图像模式识别中的应用", 电网技术, 30 June 2019 (2019-06-30) * |
| 刘振东;戴昭鑫;李成名;刘晓丽;: "三维GIS场景与多路视频融合的对象快速确定法", 测绘学报, no. 05, 15 May 2020 (2020-05-15) * |
| 阴锡君;刘郁;王一珺;: "图像融合技术在变电站设备热故障监测中的应用研究", 科技通报, no. 12, 31 December 2019 (2019-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117783793B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| CN111679166A (zh) | 基于无线传输技术的开关柜局部放电故障多源信息融合检测预警系统及方法 | |
| KR20200057821A (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
| CN103559508B (zh) | 一种基于连续型Adaboost视频车辆检测方法 | |
| CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
| CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
| CN106908668A (zh) | 一种实测地面合成电场数据的处理方法及系统 | |
| CN107257351A (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
| CN109772753B (zh) | 动力电池分选系统和方法 | |
| CN116909339B (zh) | 基于人工智能的智能家居安全预警方法及系统 | |
| CN117007984B (zh) | 一种电池包运行故障动态监测方法及系统 | |
| CN115238785A (zh) | 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 | |
| CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN117783793B (zh) | 一种开关柜的故障监测方法及系统 | |
| CN117277566A (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
| CN111667391A (zh) | 一种环保大数据监测系统 | |
| CN115048986B (zh) | 一种基于多分类器动态剪枝选择的地表冻融状态分类方法 | |
| Ghosh et al. | Cross-correlation based classification of electrical appliances for non-intrusive load monitoring | |
| CN115951257A (zh) | 一种基于电磁辐射信号的逆变器状态监测与健康诊断方法 | |
| CN115713038A (zh) | 一种基于深度循环神经网络的配用电故障检测方法及系统 | |
| CN115901004A (zh) | 一种热镀锌生产线锌锅感应加热器健康监测系统及方法 | |
| CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 |
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 |