CN117791856B - 一种基于巡检机器人的电网故障预警方法及装置 - Google Patents
一种基于巡检机器人的电网故障预警方法及装置 Download PDFInfo
- Publication number
- CN117791856B CN117791856B CN202311761960.5A CN202311761960A CN117791856B CN 117791856 B CN117791856 B CN 117791856B CN 202311761960 A CN202311761960 A CN 202311761960A CN 117791856 B CN117791856 B CN 117791856B
- Authority
- CN
- China
- Prior art keywords
- fault
- index
- fault index
- cable
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007689 inspection Methods 0.000 title claims description 33
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009413 insulation Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims 2
- 230000006866 deterioration Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 16
- 239000000779 smoke Substances 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000002184 metal Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明提供了一种基于巡检机器人的电网故障预警方法及装置，涉及计算机数据处理技术领域，包括获取第一信息；将第一信息中的关键参数作为输入且故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的预测模型为基于KERAS的循环神经网络模型；获取电缆的实时关键参数和实时故障指标，并将实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；将实时故障指标和未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，故障指标异常检测模型为基于局部异常因子算法构建的模型。本发明能够实现对故障的实时预警，避免故障进一步恶化。
Description
技术领域
本发明涉及电力设备技术领域，具体而言，涉及一种基于巡检机器人的电网故障预警方法及装置。
背景技术
目前通过巡检机器人对电网电缆的监测一般采用预警阈值的方法，通过对比采集到的故障指标与设定的预警阈值，从而进行预警。然而该种方式很难达到实时预警的效果，对故障的实时监测较为困难，无法实现在电网电缆的故障早起发现故障，从而导致预测到故障时，故障已经处于进一步恶化阶段了。
发明内容
本发明的目的在于提供一种基于巡检机器人的电网故障预警方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种基于巡检机器人的电网故障预警方法，所述电网故障预警方法用于巡检机器人，包括：
获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型。
第二方面，本申请还提供了一种基于巡检机器人的电网故障预警装置，所述电网故障预警装置用于巡检机器人，包括：
获取模块，所述获取模块用于获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
训练测试模块，所述训练测试模块用于将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
预测模块，所述预测模块用于获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
预警模块，所述预警模块用于将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型。
第三方面，本申请还提供了一种基于巡检机器人的电网故障预警设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于巡检机器人的电网故障预警方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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基于巡检机器人的电网故障预警方法的步骤。
本发明的有益效果为：本发明通过预设的所述预测模型，即基于KERAS的循环神经网络模型，实现通过实时的关键参数预测多个未来时刻的故障指标，然后根据实时的故障指标、未来时刻的故障指标和训练好的局部异常因子算法构建的模型实现对异常故障指标进行识别。本发明方法能够实现对故障的实时监测，允许在故障早期发现故障，防止其进一步恶化，实现对故障的实时预警。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的基于巡检机器人的电网故障预警方法流程示意图；
图2为本发明实施例中巡检机器人数据采集的逻辑示意图；
图3为本发明实施例中故障指标预测模型的预测逻辑示意图；
图4为本发明实施例中所述的基于巡检机器人的电网故障预警设备结构示意图。
图中标记：800、基于巡检机器人的电网故障预警设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种基于巡检机器人的电网故障预警方法，所述电网故障预警方法用于巡检机器人。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400。
步骤S100：获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
所述步骤S100具体包括：
获取电缆的历史故障指标数据和历史运行参数；
通过粗糙集约简算法对所述历史故障指标数据进行约简，得到所述故障指标；
通过随机森林算法计算所述历史运行参数对各个所述故障指标的重要程度，根据所述重要程度筛选出所述关键参数。
筛选出的关键参数包括：电缆运行电流、电缆温度、电缆局部放电测量、电缆所在环境的烟雾浓度、电缆所在位置的水位、电缆金属护层接地电流。
步骤S200：将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
步骤S200具体包括：
所述第一信息还包括电缆的历史故障数据，将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，包括：
根据所述第一信息基于随机森林算法计算各个所述故障指标对故障生成的贡献度；
调用KERAS深度学习框架构建循环神经网络模型，所述循环神经网络包括输入层、隐藏层和输出层；通过KERAS深度学习框架通过内置简单的RNN层能够快速实现对循环神经网络模型的构建。
根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，得到所述预设的预测模型。
根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，具体包括：
根据各个关键参数对各个所述故障指标的所述重要程度，基于矩阵计算规则计算第一权重矩阵；
根据各个所述故障指标对故障生成的贡献度，基于矩阵计算规则计算第二权重矩阵；
将所述第一权重矩阵设置为所述循环神经网络模型隐藏层的权重矩阵；
将所述第二权重矩阵设置为所述循环神经网络模型输出层的权重矩阵。
设关键参数x和故障指标转换y,作为输入关键参数x中电缆运行电流为x1、电缆温度为x2、电缆局部放电测量为x3、电缆所在环境的烟雾浓度为x4、电缆所在位置的水位为x5、电缆金属护层接地电流为x6。作为输出的故障指标y中电缆绝缘电阻为y1、电缆跨接电阻为y2、电缆热循环次数为y3。
将第一权重矩阵设为WB1，第二权重矩阵设为WB2，电缆运行电流为x1、电缆温度为x2、电缆局部放电测量为x3、电缆所在环境的烟雾浓度为x4、电缆所在位置的水位为x5、电缆金属护层接地电流为x6对绝缘电阻为y1的重要程度依次为α1、α2、α3、α4、α5、α6；电缆运行电流为x1、电缆温度为x2、电缆局部放电测量为x3、电缆所在环境的烟雾浓度为x4、电缆所在位置的水位为x5、电缆金属护层接地电流为x6对电缆跨接电阻为y2的重要程度依次为α7、α8、α9、α10、α11、α12，电缆运行电流为x1、电缆温度为x2、电缆局部放电测量为x3、电缆所在环境的烟雾浓度为x4、电缆所在位置的水位为x5、电缆金属护层接地电流为x6对电缆热循环次数为y3的重要程度依次为α13、α14、α15、α16、α17、α18。电缆绝缘电阻为y1、电缆跨接电阻为y2、电缆热循环次数为y3对故障发生的贡献度依次为β1、β2、β3。
根据矩阵计算规则其中WB1:
第一权重矩阵为6行3列，6行对应6个因素x1、x2、x3、x4、x5、x6，3列对应影响的3个结果，即故障指标。
根据矩阵计算规则其中WB2:
β1
β2
β3
第二权重矩阵为3行1列，3行对应3个因素y1、y2、y2，3列对应影响的1个结果，即故障发生。
具体地，如图3所示，将t时刻的输入结合t-1时刻的记忆，然后与所述隐藏层的第一权重矩阵设为WB1相乘得到t时刻的记忆，通过t时刻的记忆与所述输出层的第二权重矩阵WB2相乘得到t时刻的预测值；将t+1时刻的输入结合t时刻的记忆，然后与所述隐藏层的第一权重矩阵设为WB1相乘得到t+1时刻的记忆，通过t+1时刻的记忆与所述输出层的第二权重矩阵WB2相乘得到t+1时刻的预测值，之后依次类推。
由于在本申请中所述循环神经网络模型具有多个输入和多个输出，因此为了提升预测结果的准确度，本申请采取了上述方案：
通过所述重要程度设置所述循环神经网络模型隐藏层，由此将关键参数和所述故障指标之间的影响关系反映到作为输出层输入的隐藏层，提高预测结果的准确度。通过所述贡献度设置所述循环神经网络模型输出层，由此将各个所述故障指标和故障生成之间的影响关系反映到生成输出的所述循环神经网络模型输出层中，由此进一步提高预测结果的准确度。
将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，具体包括：
将所述第一信息划分为训练集和测试集；
将所述训练集中的关键参数和故障指标转换为矩阵，所述矩阵的列为关键参数和故障指标，所述矩阵的行为时刻；
将所述训练集中的关键参数x和故障指标转换y为矩阵如下：
xtrain＝as.matrix(data.frame(train$x1,train$x2,train$x3，train$x4,train$x5,train$x6))
ytrain＝as.matrix(data.frame(train$y1,train$y，train$y3))
其中train$x1表示电缆运行电流训练数据、train$x2表示电缆温度训练数据、train$x3表示电缆局部放电测量训练数据、train$x4表示电缆所在环境的烟雾浓度训练数据、train$x5表示电缆所在位置的水位训练数据、train$x6表示电缆金属护层接地电流训练数据。
按需求设定所述预测模型的时间步长；
将所述时间步长内所有时刻的关键参数作为输入，将所述时间步长内最后一个时刻的故障指标作为输出，训练预设的所述预测模型，得到训练好的所述预测模型；
根据所述测试集对训练好的所述预测模型进行测试，带有MSE损失函数的Adam优化器对训练好的所述预测模型进行优化得到故障指标预测模型。
步骤S300：获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
所述步骤S300包括对实时关键参数进行预处理，具体包括：
对所述实时关键参数进行异常数据剔除，得到第一数据；
对所述第一数据进行数据修匀，得到第二数据；
对所述第二数据进行数据拟合，得到第三数据；
将所述第三数据输入到故障指标预测模型中，输出未来时刻故障指标。
所述电缆的历史故障指标数据、历史运行参数和历史故障数据均来源于如图2所示电网的数据库中存储的历史数据。
如图2所示，实时故障指标的获取通过接收巡检机器人上搭载的测量仪器测量的数据实现，所述测量仪器包括用于测量电缆绝缘电阻和电缆跨接电阻的电桥/万用电表，还包括用于测量电缆热循环次数电缆热循环试验装置。实时关键参数包括电缆温度、电缆运行电流、电缆金属护层接地电流、电缆局部放电测量、电缆所在环境烟雾浓度和电缆的水位。如图2所示，实时关键参数的获取通过接收巡检机器人上搭载的传感器采集的数据实现，传感器包括温度传感器、运行电流互感器、接地电流互感器、局部放电传感器、烟雾传感器和水浸传感器等中的一种或几种。
由于实时关键参数需要在电缆的不同部位进行收集，设置不同的故障监测点，例如，在电缆终端采集电缆运行电流、电缆温度、电缆局部放电测量和电缆所在环境烟雾浓度，在电缆中间接头采集电缆温度、电缆的水位、电缆局部放电测量和电缆所在环境烟雾浓度，在电缆接地处采集电缆金属护层接地电流，在电缆集中处采集电缆所在环境烟雾浓度，因此为了保证实时关键参数的获取效率，获取电缆的实时关键参数还包括以下步骤：
获取第二信息，所述第二信息包括电网中各条所述电缆的投入使用时间；
根据电网中各条所述电缆的历史故障数据和第二信息，基于AHP层次分析法对各条电缆的巡检需求度由大到小进行排序，得到排序结果；
根据所述排序结果对获取所述电缆的实时关键参数。
由此可以通过AHP层次分析法分析电网中各条电缆的巡检需求度，然后按照巡检需求度的排序获取所述电缆的实时关键参数，从而保证对故障的实时预警，使得电缆的故障能够在发生早期被遏制，避免故障进一步恶化。
根据所述电缆的所述历史故障数据统计各个故障监测点的故障发生概率，所述故障监测点包括电缆终端、电缆中间接头、电缆接地处和电缆集中处；
按照所述故障发生概率由大到小的顺序确定各个故障监测点的巡检顺序；
如图2所示，获取所述故障监测点的地图数据；
根据所述地图数据基于Dijkstra算法求解当前故障监测点和下一个故障监测点之间的最短路径；
按照所述最短路径获取故障监测点的实时关键参数。
根据各个故障监测点的故障发生概率实现对故障监测点的巡检顺序的确定和，根据故障监测点的地图数据和Dijkstra算法实现对先后两个故障监测点之间的最短路径选择，由此进一步保证了对故障的快速预警响应，从而实现对故障的实时预警，使得电缆的故障能够在发生早期被遏制，避免故障进一步恶化。
所述地图数据的获取通过接收MapGIS软件提取故障监测点的地图得到的节点坐标信息实现。
步骤S400：将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型。
步骤S400具体包括：
基于局部异常因子算法构建初始模型；
获取正常状态下故障指标数据；
对所述正常状态下故障指标数据进行特征提取，得到故障指标特征训练集；
根据所述故障指标特征训练集对所述初始模型进行训练，得到训练好的故障指标异常检测模型；
对所述实时故障指标和所述未来时刻故障指标进行特征提取，得到故障指标特征集；
将所述故障指标特征集输入到训练好的所述故障指标异常检测模型中进行故障识别，根据识别结果进行故障预警。特征提取可以通过基于信号的特征提取，也可以通过深度学习模型进行特征提取。
由此通过局部异常因子算法构建的故障指标异常检测模型，实现对异常故障指标的识别检测。
实施例2：
本实施例提供了一种基于巡检机器人的电网故障预警装置，所述电网故障预警装置用于巡检机器人，所述装置包括：
获取模块，所述获取模块用于获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
训练测试模块，所述训练测试模块用于将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
预测模块，所述预测模块用于获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
预警模块，所述预警模块用于将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型。
所述获取模块包括：
初始获取模块，所述初始获取模块用于获取电缆的历史故障指标数据和历史运行参数；
约简模块，所述约简模块用于通过粗糙集约简算法对所述历史故障指标数据进行约简，得到所述故障指标；
筛选模块，所述筛选模块用于通过随机森林算法计算所述历史运行参数对各个所述故障指标的重要程度，根据所述重要程度筛选出所述关键参数。
所述第一信息还包括电缆的历史故障数据，所述预测模块包括：
计算模块，所述计算模块用于根据所述第一信息基于随机森林算法计算各个所述故障指标对故障生成的贡献度；
调用模块，所述调用模块用于调用KERAS深度学习框架构建循环神经网络模型；
设置模块，所述设置模块用于根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，得到所述预设的预测模型。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种基于巡检机器人的电网故障预警设备，下文描述的一种基于巡检机器人的电网故障预警设备与上文描述的一种基于巡检机器人的电网故障预警方法可相互对应参照。
图4是根据示例性实施例示出的一种基于巡检机器人的电网故障预警设备800的框图。如图4所示，该基于巡检机器人的电网故障预警设备800可以包括：处理器801，存储器802。该基于巡检机器人的电网故障预警设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于巡检机器人的电网故障预警设备800的整体操作，以完成上述的基于巡检机器人的电网故障预警方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于巡检机器人的电网故障预警设备800的操作，这些数据例如可以包括用于在该基于巡检机器人的电网故障预警设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于巡检机器人的电网故障预警设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于巡检机器人的电网故障预警设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于巡检机器人的电网故障预警方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于巡检机器人的电网故障预警方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于巡检机器人的电网故障预警设备800的处理器801执行以完成上述的基于巡检机器人的电网故障预警方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于巡检机器人的电网故障预警方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于巡检机器人的电网故障预警方法的步骤。
该可读存储介质具体可以为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存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于巡检机器人的电网故障预警方法，其特征在于，所述电网故障预警方法用于巡检机器人，包括：
获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型；
获取第一信息，包括：
获取电缆的历史故障指标数据和历史运行参数；
通过粗糙集约简算法对所述历史故障指标数据进行约简，得到所述故障指标；
通过随机森林算法计算所述历史运行参数对各个所述故障指标的重要程度，根据所述重要程度筛选出所述关键参数；
所述第一信息还包括电缆的历史故障数据，将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，包括：
根据所述第一信息基于随机森林算法计算各个所述故障指标对故障生成的贡献度；
调用KERAS深度学习框架构建循环神经网络模型；
根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，得到所述预设的预测模型。
2.根据权利要求1所述的电网故障预警方法，其特征在于，所述循环神经网络包括输入层、隐藏层和输出层，根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，包括：
根据各个关键参数对各个所述故障指标的所述重要程度，基于矩阵计算规则计算第一权重矩阵；
根据各个所述故障指标对故障生成的贡献度，基于矩阵计算规则计算第二权重矩阵；
将所述第一权重矩阵设置为所述循环神经网络模型隐藏层的权重矩阵；
将所述第二权重矩阵设置为所述循环神经网络模型输出层的权重矩阵。
3.根据权利要求1或2所述的电网故障预警方法，其特征在于，将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，包括：
将所述第一信息划分为训练集和测试集；
将所述训练集中的关键参数和故障指标转换为矩阵，所述矩阵的列为关键参数和故障指标，所述矩阵的行为时刻；
按需求设定所述预测模型的时间步长；
将所述时间步长内所有时刻的关键参数作为输入，将所述时间步长内最后一个时刻的故障指标作为输出，训练预设的所述预测模型，得到训练好的所述预测模型；
根据所述测试集对训练好的所述预测模型进行测试，得到故障指标预测模型。
4.根据权利要求1所述的电网故障预警方法，其特征在于，将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标，包括：
对所述实时关键参数进行异常数据剔除，得到第一数据；
对所述第一数据进行数据修匀，得到第二数据；
对所述第二数据进行数据拟合，得到第三数据；
将所述第三数据输入到故障指标预测模型中，输出未来时刻故障指标。
5.根据权利要求1所述的电网故障预警方法，其特征在于，将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，包括：
基于局部异常因子算法构建初始模型；
获取正常状态下故障指标数据；
对所述正常状态下故障指标数据进行特征提取，得到故障指标特征训练集；
根据所述故障指标特征训练集对所述初始模型进行训练，得到训练好的故障指标异常检测模型；
对所述实时故障指标和所述未来时刻故障指标进行特征提取，得到故障指标特征集；
将所述故障指标特征集输入到训练好的所述故障指标异常检测模型中进行故障识别，根据识别结果进行故障预警。
6.一种基于巡检机器人的电网故障预警装置，其特征在于，所述电网故障预警装置用于巡检机器人，包括：
获取模块，所述获取模块用于获取第一信息，所述第一信息包括电缆的故障指标、影响所述故障指标的关键参数，所述第一信息为时间序列数据，所述故障指标包括电缆绝缘电阻、电缆跨接电阻和电缆热循环次数；
训练测试模块，所述训练测试模块用于将所述第一信息中的所述关键参数作为输入且所述故障指标作为输出，训练并测试预设的预测模型，得到故障指标预测模型，预设的所述预测模型为基于KERAS的循环神经网络模型；
预测模块，所述预测模块用于获取电缆的实时关键参数和实时故障指标，并将所述实时关键参数输入到故障指标预测模型中，输出未来时刻故障指标；
预警模块，所述预警模块用于将所述实时故障指标和所述未来时刻故障指标输入训练好的故障指标异常检测模型中进行故障指标异常识别，得到异常检测结果，并根据异常检测结果进行故障预警，所述故障指标异常检测模型为基于局部异常因子算法构建的模型；
获取第一信息，包括：
获取电缆的历史故障指标数据和历史运行参数；
通过粗糙集约简算法对所述历史故障指标数据进行约简，得到所述故障指标；
通过随机森林算法计算所述历史运行参数对各个所述故障指标的重要程度，根据所述重要程度筛选出所述关键参数；
所述第一信息还包括电缆的历史故障数据，所述训练测试模块还用于：
根据所述第一信息基于随机森林算法计算各个所述故障指标对故障生成的贡献度；
调用KERAS深度学习框架构建循环神经网络模型；
根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，得到所述预设的预测模型。
7.根据权利要求6所述的电网故障预警装置，其特征在于，所述获取模块包括：
初始获取模块，所述初始获取模块用于获取电缆的历史故障指标数据和历史运行参数；
约简模块，所述约简模块用于通过粗糙集约简算法对所述历史故障指标数据进行约简，得到所述故障指标；
筛选模块，所述筛选模块用于通过随机森林算法计算所述历史运行参数对各个所述故障指标的重要程度，根据所述重要程度筛选出所述关键参数。
8.根据权利要求7所述的电网故障预警装置，其特征在于，所述第一信息还包括电缆的历史故障数据，所述预测模块包括：
计算模块，所述计算模块用于根据所述第一信息基于随机森林算法计算各个所述故障指标对故障生成的贡献度；
调用模块，所述调用模块用于调用KERAS深度学习框架构建循环神经网络模型；
设置模块，所述设置模块用于根据所述贡献度和所述重要程度基于矩阵计算规则设置所述循环神经网络模型的权重矩阵，得到所述预设的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761960.5A CN117791856B (zh) | 2023-12-20 | 2023-12-20 | 一种基于巡检机器人的电网故障预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311761960.5A CN117791856B (zh) | 2023-12-20 | 2023-12-20 | 一种基于巡检机器人的电网故障预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117791856A CN117791856A (zh) | 2024-03-29 |
| CN117791856B true CN117791856B (zh) | 2024-06-14 |
Family
ID=90390260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311761960.5A Active CN117791856B (zh) | 2023-12-20 | 2023-12-20 | 一种基于巡检机器人的电网故障预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117791856B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072250B (zh) * | 2024-04-16 | 2024-09-17 | 武汉人云智物科技有限公司 | 一种基于水电厂视频监控系统的目标检测方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115441456A (zh) * | 2022-08-17 | 2022-12-06 | 国电南瑞科技股份有限公司 | 一种电网调度支持系统故障诊断方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106230057B (zh) * | 2016-08-18 | 2019-03-29 | 西北工业大学 | 一种变频器的预充电和故障保护一体化装置 |
| CN110798245B (zh) * | 2019-10-25 | 2022-04-19 | 袁茂银 | 基于单模型的地下电缆故障预警方法和装置 |
| CN110868241B (zh) * | 2019-10-25 | 2022-05-13 | 袁茂银 | 基于多模型的地下电缆故障预警方法和装置 |
| CN111026624B (zh) * | 2019-11-11 | 2023-06-02 | 国网甘肃省电力公司信息通信公司 | 电网信息系统的故障预测方法、装置 |
| CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
| CN113988709A (zh) * | 2021-11-18 | 2022-01-28 | 广东电网有限责任公司 | 中压配电线路故障率分析方法、装置、终端设备及介质 |
| CN115169439B (zh) * | 2022-06-16 | 2023-07-07 | 中国人民解放军国防科技大学 | 一种基于序列到序列网络的有效波高预测方法和系统 |
| CN115184734A (zh) * | 2022-08-03 | 2022-10-14 | 国网河南省电力公司电力科学研究院 | 一种电网线路故障检测方法和系统 |
| CN115828140B (zh) * | 2022-12-13 | 2024-04-09 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
| CN116089882A (zh) * | 2022-12-30 | 2023-05-09 | 国网北京市电力公司 | 电缆故障预测处理方法、装置及电子设备 |
| CN116976682B (zh) * | 2023-09-22 | 2023-12-26 | 安徽融兆智能有限公司 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
| CN117196413A (zh) * | 2023-11-06 | 2023-12-08 | 国网山东省电力公司青岛市黄岛区供电公司 | 配电网电缆接地故障预警特征指标模型构建和优化方法 |
-
2023
- 2023-12-20 CN CN202311761960.5A patent/CN117791856B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115441456A (zh) * | 2022-08-17 | 2022-12-06 | 国电南瑞科技股份有限公司 | 一种电网调度支持系统故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117791856A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN113009077B (zh) | 气体检测方法、装置、电子设备和存储介质 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116029617B (zh) | 质量验收表单的生成方法、装置、设备及可读存储介质 | |
| CN115980531A (zh) | 一种特定环境下的gis开关柜质量检测方法及系统 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN117149486A (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 | |
| CN114510469B (zh) | 电力系统不良数据辨识方法、装置、设备及介质 | |
| CN115765182A (zh) | 基于时序数据库的数字孪生方法及装置 | |
| CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
| CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 | |
| CN114187751A (zh) | 预警系统的适应性评价方法、装置、设备及可读存储介质 | |
| CN113468823A (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN112686330A (zh) | Kpi异常数据检测方法及装置、存储介质及电子设备 | |
| CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
| Fatima et al. | Sensors Faults Classification and Faulty Signals Reconstruction Using Deep Learning | |
| Bhattacharyya et al. | Adaptive, online models to detect and estimate gross error in SPNDs | |
| CN117909717B (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
| CN117011805A (zh) | 一种数据异常评估方法、装置、设备和可读存储介质 | |
| Mi et al. | A Combined LSTM-CNN Model for Abnormal Electricity Usage Detection | |
| CN117612037A (zh) | 一种配电网故障定位方法、装置、设备和可读存储介质 | |
| CN118688548A (zh) | 一种变压器状态检测方法及装置 |
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 |