CN117977795A - 一种输电线路监测方法 - Google Patents
一种输电线路监测方法 Download PDFInfo
- Publication number
- CN117977795A CN117977795A CN202311835332.7A CN202311835332A CN117977795A CN 117977795 A CN117977795 A CN 117977795A CN 202311835332 A CN202311835332 A CN 202311835332A CN 117977795 A CN117977795 A CN 117977795A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission line
- power transmission
- sensor
- real
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 abstract description 4
- 230000004913 activation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及输电线路监测领域,公开了一种输电线路监测方法,包括以下步骤:S10、在输电线路上安装传感器并进行通电测试;S20、创建数据中心,对所安装的多组传感器通过数据采集单元或远程监测中心进行实时数据采集和传输储存;S30、对采集到的数据进行实时处理和分析,包括滤波、校准和预处理;S40、采集数据中心历史异常信息进行数据建模;S50、套入模型通过数据分析算法对数据进行实时分析,以检测输电线路的异常情况;S60、判断预警和异常后通过多渠道完成警报告知。通过利用深度学习算法进行异常检测和故障模式的自动学习和识别,能够及早发现线路健康状况的潜在问题,进行预防性维护。
Description
技术领域
本发明涉及输电线路监测领域,具体为一种输电线路监测方法。
背景技术
传统的输电线路监测方法主要依赖于人工巡检和定期维护,这种方式存在着工作量大、效率低、无法实时监测等问题,而随着物联网、大数据和深度学习技术的快速发展,利用这些先进技术来实现输电线路健康状况的实时监测和维护需求的管理成为研究的热点。
但传统的数据处理方法往往只能处理小规模的数据,无法应对大规模、高维度的实时数据,尤其在异常检测和故障诊断方面,传统方法往往需要人工依赖工作经验进行特征提取和模式识别,以此完成监测,总体效率较低且容易出错。
发明内容
针对现有技术的不足,本发明提供了一种输电线路监测方法,解决了现有技术中依赖人工根据经验进行判断识别,监测精度较低且效率较差的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种输电线路监测方法,包括以下步骤:
S10、在输电线路上安装传感器并进行通电测试;
S20、创建数据中心,对所安装的多组传感器通过数据采集单元或远程监测中心进行实时数据采集和传输储存;
S30、对采集到的数据进行实时处理和分析,包括滤波、校准和预处理;
S40、采集数据中心历史异常信息进行数据建模;
S50、套入模型通过数据分析算法对数据进行实时分析,以检测输电线路的异常情况;
S60、判断预警和异常后通过多渠道完成警报告知。
优选的,所述S10步骤中传感器包括温度传感器、电流传感器、振动传感器、位移传感器、光纤传感器。
优选的,所述S50步骤中通过使用深度学习算法进行异常检测。
优选的,所述S20步骤中使用物联网技术和云平台进行大规模数据的快速采集和跨地区的远程访问。
优选的,所述S50步骤中通过深度学习技术完成故障模式的自动学习和识别。
优选的,所述S60步骤中多渠道包括手机应用程序、短信、电子邮件和语音呼叫的通知方式。
优选的,所述S30步骤中采用增量式数据处理方法对大规模实时数据进行处理和分析。
优选的,所述深度学习算法配合大数据分析预测模型完成对线路的健康状况和维护需求的管理和优化决策推出。
优选的,所述S40步骤中异常信息包括天气数据和地理信息系统数据。
优选的,所述S20步骤中,使用无线传感器网络技术和边缘计算设备进行低延迟数据实时传输。
本发明提供了一种输电线路监测方法。具备以下有益效果:
1、本发明通过对历史异常数据的分析和建模,可以提取异常的特征和模式。利用深度学习算法进行异常检测和故障模式的自动学习和识别,及早发现线路健康状况的潜在问题,进行预防性维护,避免故障的发生和损失的产生。
2、本发明通过安装多种传感器并采集实时数据,结合天气数据和地理信息系统数据,可以实现对输电线路的实时监测和预测。及时发现异常情况和预测可能的故障,提前采取措施,保障电网的稳定运行。
3、本发明结合天气数据和地理信息系统数据,可以进行资源调度和优化。根据天气异常情况和地理信息,合理调配救援人员、物资等资源,提高应急响应的效率和准确性,并且可以帮助诊断和定位设备故障的原因。找出天气条件与故障之间的关联规律,提前采取维护措施或进行设备改进,减少故障排除时间和成本。
4、本发明通过对大规模数据的分析,获取更准确、全面的线路信息,辅助管理者做出更明智的决策,基于深度学习算法和数据分析结果,提供决策支持,优化线路维护计划和资源分配,提高决策的准确性和效果时效性。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例:
本发明实施例提供一种输电线路监测方法,包括以下步骤:
S10、在输电线路上安装传感器并进行通电测试,S10步骤中传感器包括温度传感器、电流传感器、振动传感器、位移传感器、光纤传感器,温度传感器用于监测线路的温度变化,电流传感器用于测量电流大小,振动传感器用于检测线路的振动情况,位移传感器用于测量线路的位移,光纤传感器用于实时监测光纤光强变化。在安装完成后,对传感器进行通电测试,确保其正常工作并能准确采集线路状态数据。
S20、创建数据中心,对所安装的多组传感器通过数据采集单元或远程监测中心进行实时数据采集和传输储存,S20步骤中使用物联网技术和云平台进行大规模数据的快速采集和跨地区的远程访问。建立一个专门的数据中心,用于接收和存储传感器采集到的数据。数据中心可以是物理设备或云平台,具备足够的存储空间和计算能力。通过数据采集单元或远程监测中心,实时采集传感器数据,并将其传输到数据中心进行储存和处理。数据采集单元负责将传感器数据转换为数字信号并进行数据压缩和加密,然后通过有线或无线网络传输到数据中心,S20步骤中,使用无线传感器网络技术和边缘计算设备进行低延迟数据实时传输。
S30、对采集到的数据进行实时处理和分析,包括滤波、校准和预处理,采集到的原始数据可能存在噪声和干扰,需要进行滤波处理,以去除这些干扰信号。滤波算法可以是低通、高通或带通滤波器,根据具体情况选择合适的滤波方法。同时,对传感器数据进行校准,校正传感器的非线性误差和漂移问题,使数据更加准确和可靠。此外,进行预处理操作,如数据归一化、特征提取等,以便后续的数据分析和模型建立;
S40、采集数据中心历史异常信息进行数据建模,数据中心积累了大量的历史异常信息,包括故障发生时的传感器数据、线路参数和环境条件等。通过对这些历史异常数据进行分析和建模,可以提取出异常的特征和模式;
S50、套入模型通过数据分析算法对数据进行实时分析,以检测输电线路的异常情况,将实时采集到的数据套入建立的异常模型中,通过数据分析算法进行实时分析。通过与历史异常模式的对比,检测并识别出输电线路的异常情况,如过载、短路、接地等故障;
S60、判断预警和异常后通过多渠道完成警报告知,根据数据分析的结果,判断是否需要发出预警或异常警报,S60步骤中多渠道包括手机应用程序、短信、电子邮件和语音呼叫的通知方式。如果检测到线路异常情况,系统会触发警报机制,并通过多种渠道,如手机应用程序、短信、电子邮件和语音呼叫等,向相关人员发送警报通知,这样可以确保异常情况能够及时得到处理和解决,减少线路故障带来的损失。
S50步骤中通过使用深度学习算法进行异常检测,异常检测运行方式为:首先设输入数据为x,经过深度学习算法处理后得到输出结果y。该深度学习算法采用多层神经网络结构,其中包括输入层、隐藏层和输出层。具体表达式如下:第一层隐藏层的输入为x,假设有n个隐藏单元,权重矩阵为W1,偏置向量为b1,则第一层隐藏层的输出为:h1=activation(W1*x+b1);
假设有m个隐藏层,第i层隐藏层的输入为hi-1,权重矩阵为Wi,偏置向量为bi,则第i层隐藏层的输出为:hi=activation(Wi*hi-1+bi),其中i=2,3,…,m;
最后一层隐藏层的输出作为输出层的输入,输出层的权重矩阵为Wo,偏置向量为bo,则输出层的输出为:y=activation(Wo*hm+bo);
在训练阶段,通过使用已知的正常数据进行模型的训练,以使得输出结果能够尽可能地逼近正常数据分布。在训练过程中,采用损失函数来衡量输出结果与实际观测值之间的差异。
在测试阶段,将新采集到的数据输入到训练好的深度学习模型中,通过计算输出结果与实际观测值之间的差异,可以判断该数据是否异常。如果差异超过预先设定的阈值,则可以判定为异常情况。
S50步骤中通过深度学习技术完成故障模式的自动学习和识别,计算方式为:设输入数据为x,经过深度学习算法处理后得到输出结果y。该模型包括多个隐藏层和一个输出层。
首先,假设输入数据经过预处理后为z,可以表示为:
z=preprocessing(x);
然后,定义每个隐藏层的输入和输出,以及模型的权重和偏置。
对于第i层隐藏层,输入为hi-1,其中i=1表示输入层,权重矩阵为Wi,偏置向量为bi。该层的输出为:hi=activation(Wi*hi-1+bi),其中activation是激活函数,可以使用ReLU。
最后一层隐藏层的输出作为输出层的输入,输出层的权重矩阵为Wo,偏置向量为bo。输出层的输出为:y=activation(Wo*hm+bo);
在训练阶段,我们使用已知的正常数据和故障数据进行模型的训练。通过最小化损失函数来优化模型参数,具体的优化算法使用梯度下降法。
在数据测试阶段,将新采集到的数据输入到训练好的深度神经网络模型中,通过计算输出结果与实际标签之间的差异,可以判断该数据所属的故障模式。通常,可以选择输出结果中最大值对应的类别作为预测结果。
深度学习算法配合大数据分析预测模型完成对线路的健康状况和维护需求的管理和优化决策推出,深度学习模型可以学习线路的健康状况与故障模式之间的关联规律。当线路出现异常或故障时,可以通过深度学习模型进行诊断和定位,帮助工作人员快速找到故障点,减少故障排除时间和成本,而通过对大规模数据的分析和深度学习模型的预测,可以及早发现线路健康状况的潜在问题,提前进行预防性维护,避免故障的发生和损失的产生。预防性维护有助于提高线路的可靠性和延长设备的寿命,并且深度学习算法配合大数据分析预测模型使得决策过程更加数据驱动和科学化。通过对大规模数据的分析,可以获取更准确、全面的线路信息,辅助管理者做出更明智的决策,提高决策的准确性和效果。
S30步骤中采用增量式数据处理方法对大规模实时数据进行处理和分析,其中增量式数据处理法在使用时,可按照下列公式进行计算分析:设当前时间为t,已处理的数据为D(t-1),需要处理的新数据为d(t)。增量式数据处理方法将新数据与已处理的数据合并,形成更新后的数据集D(t)。
首先,定义一个处理函数f(),该函数接受数据集D(t-1)和新数据d(t)作为输入,输出更新后的数据集D(t)。具体表达式如下:
D(t)=f(D(t-1),d(t))
在实际使用时可将实时数据套入公式进行调整与优化。
S40步骤中异常信息包括天气数据和地理信息系统数据,通过结合天气数据和地理信息系统数据,可以识别出与正常情况不符的异常情况。例如,如果某个区域的温度异常升高或降低,或者发生了异常的天气事件(如暴雨、台风等),这些异常情况可以通过传感器进行获取,并由算法进行识别和提取,作为参考数据之一。将天气数据和地理信息系统数据与设备运行数据结合分析,可以帮助诊断和定位设备故障的原因。如果在特定的天气条件下,某些设备容易发生故障,通过对历史数据的分析,可以找出天气条件与故障之间的关联规律,进而提前采取维护措施或进行设备改进。结合天气数据和地理信息系统数据,可以进行资源调度和优化。若在天气异常的情况下,可以根据地理信息系统数据确定哪些区域可能会受到影响,从而合理调配救援人员、物资等资源,提高应急响应的效率和准确性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种输电线路监测方法,其特征在于,包括以下步骤:
S10、在输电线路上安装传感器并进行通电测试;
S20、创建数据中心,对所安装的多组传感器通过数据采集单元或远程监测中心进行实时数据采集和传输储存;
S30、对采集到的数据进行实时处理和分析,包括滤波、校准和预处理;
S40、采集数据中心历史异常信息进行数据建模;
S50、套入模型通过数据分析算法对数据进行实时分析,以检测输电线路的异常情况;
S60、判断预警和异常后通过多渠道完成警报告知。
2.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S10步骤中传感器包括温度传感器、电流传感器、振动传感器、位移传感器、光纤传感器。
3.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S50步骤中通过使用深度学习算法进行异常检测。
4.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S20步骤中使用物联网技术和云平台进行大规模数据的快速采集和跨地区的远程访问。
5.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S50步骤中通过深度学习技术完成故障模式的自动学习和识别。
6.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S60步骤中多渠道包括手机应用程序、短信、电子邮件和语音呼叫的通知方式。
7.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S30步骤中采用增量式数据处理方法对大规模实时数据进行处理和分析。
8.根据权利要求3所述的一种输电线路监测方法,其特征在于,所述深度学习算法配合大数据分析预测模型完成对线路的健康状况和维护需求的管理和优化决策推出。
9.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S40步骤中异常信息包括天气数据和地理信息系统数据。
10.根据权利要求1所述的一种输电线路监测方法,其特征在于,所述S20步骤中,使用无线传感器网络技术和边缘计算设备进行低延迟数据实时传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311835332.7A CN117977795A (zh) | 2023-12-28 | 2023-12-28 | 一种输电线路监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311835332.7A CN117977795A (zh) | 2023-12-28 | 2023-12-28 | 一种输电线路监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977795A true CN117977795A (zh) | 2024-05-03 |
Family
ID=90848653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311835332.7A Pending CN117977795A (zh) | 2023-12-28 | 2023-12-28 | 一种输电线路监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977795A (zh) |
-
2023
- 2023-12-28 CN CN202311835332.7A patent/CN117977795A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN112713658A (zh) | 一种电网设备监控缺陷智能控制方法及系统 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
CN117060409A (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN116054417A (zh) | 一种变电站用的监控系统及方法 | |
CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
CN114280383B (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN114662058B (zh) | 无线站点监测方法及装置 | |
CN117154945A (zh) | 基于云计算技术的变配电站智能监测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
CN117977795A (zh) | 一种输电线路监测方法 | |
CN116566839A (zh) | 一种电力企业通信资源质量评估系统 | |
CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
CN111224468B (zh) | 一种基于云计算的光伏设备安全运行运维平台 | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |