CN118091308A - 开关操作箱二次回路的故障定位方法、装置和计算机设备 - Google Patents
开关操作箱二次回路的故障定位方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118091308A CN118091308A CN202311856912.4A CN202311856912A CN118091308A CN 118091308 A CN118091308 A CN 118091308A CN 202311856912 A CN202311856912 A CN 202311856912A CN 118091308 A CN118091308 A CN 118091308A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- secondary circuit
- switch operation
- operation box
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 66
- 230000000007 visual effect Effects 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012800 visualization Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请涉及一种开关操作箱二次回路的故障定位方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取开关操作箱二次回路的运行数据；基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测；在开关操作箱二次回路中存在故障的情况下，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。采用本方法能够提高开关操作箱二次回路的故障定位的准确度。
Description
技术领域
本申请涉及电网技术领域，特别是涉及一种开关操作箱二次回路的故障定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
二次保护装置在确保电力系统稳定运行中扮演着核心角色，尤其是开关操作箱二次回路，作为控制保护装置与一次开关本体之间的关键连接，其有着显著的重要性。
现有技术中，通过依赖于物理检测设备和人工操作对开关操作箱二次回路的故障进行定位，因此容易受到主观因素的影响，进而导致开关操作箱二次回路的故障定位的准确度较低。
发明内容
基于此，有必要针对上述开关操作箱二次回路的故障定位的准确度较低技术问题，提供一种能够提高开关操作箱二次回路的故障定位的准确度的开关操作箱二次回路的故障定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种开关操作箱二次回路的故障定位方法，包括：
获取开关操作箱二次回路的运行数据；
基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
在其中一个实施例中，所述预先训练得到的故障定位模型中，包括所述开关操作箱二次回路的拓扑结构图对应的图神经网络，所述拓扑结构图的各个节点表征所述开关操作箱二次回路中的各个回路节点；
所述通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点，包括：
通过所述图神经网络，从所述拓扑结构图的各个节点中，确定出所述运行数据中的故障数据关联的关联节点；
将所述关联节点对应的回路节点，确定为存在所述故障的故障回路节点。
在其中一个实施例中，所述预先训练得到的故障定位模型，通过以下方式训练得到：
获取所述开关操作箱二次回路的样本故障运行数据，以及，构建所述开关操作箱二次回路对应的数字孪生模型；
根据所述数字孪生模型，构建所述开关操作箱二次回路对应的初始拓扑结构图；
根据所述样本故障运行数据，对所述初始拓扑结构图进行更新，得到更新后的拓扑结构图；
基于所述更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行训练，得到训练完成的故障定位模型。
在其中一个实施例中，所述获取所述开关操作箱二次回路的样本故障运行数据，包括：
基于所述开关操作箱二次回路的历史故障运行数据，对数据生成器与数据判别器进行对抗训练，得到目标数据生成器与目标数据判别器；
基于目标数据生成器对所述历史故障运行数据进行数据增强处理，得到增强故障运行数据；
在所述增强故障运行数据通过所述目标数据判别器的校验的情况下，将所述增强故障运行数据与所述历史故障运行数据作为所述开关操作箱二次回路的样本故障运行数据。
在其中一个实施例中，所述数字孪生模型有对应的可视化界面，所述可视化界面中有所述开关操作箱二次回路对应的可视化回路；所述可视化回路中的各个可视化节点用于表征所述开关操作箱二次回路中的各个回路节点；
在确定所述开关操作箱二次回路中存在所述故障的故障回路节点之后，还包括：
在所述各个可视化节点中，确定所述故障回路节点对应的可视化节点；
在所述可视化界面中，对所述故障回路节点对应的可视化节点进行标识，并显示所述故障回路节点上的故障对应的提示信息。
在其中一个实施例中，所述基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测，包括：
从所述运行数据中，提取出预设指标下的指标数据；所述预设指标根据所述开关操作箱二次回路的历史故障数据得到；
在所述指标数据符合所述预设指标对应的故障条件的情况下，将所述指标数据确定为所述运行数据中的故障数据，并确定所述开关操作箱二次回路中存在故障。
第二方面，本申请还提供了一种开关操作箱二次回路的故障定位装置，包括：
数据获取模块，用于获取开关操作箱二次回路的运行数据；
故障检测模块，用于基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
故障定位模块，用于在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取开关操作箱二次回路的运行数据；
基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
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以下步骤：
获取开关操作箱二次回路的运行数据；
基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取开关操作箱二次回路的运行数据；
基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
上述开关操作箱二次回路的故障定位方法、装置、计算机设备、存储介质和计算机程序产品，首先获取开关操作箱二次回路的运行数据；然后基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测；最后在开关操作箱二次回路中存在故障的情况下，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。这样，基于开关操作箱二次回路的运行数据，能够对开关操作箱二次回路中的故障存在情况进行检测，基于运行数据和预先训练得到的故障定位模型，能够快速准确地对开关操作箱二次回路中的故障进行定位，确定存在故障的故障回路节点；与依赖于物理检测设备和人工操作的故障定位方法相比，基于上述过程的开关操作箱二次回路的故障定位方法不易受到主观因素的影响，进而提高了开关操作箱二次回路的故障定位的准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中开关操作箱二次回路的故障定位方法的流程示意图；
图2为一个实施例中通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点的步骤的流程示意图；
图3为一个实施例中预先训练得到的故障定位模型的训练过程的流程示意图；
图4为一个实施例中获取开关操作箱二次回路的样本故障运行数据的步骤的流程示意图；
图5为一个实施例中基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测的步骤的流程示意图；
图6为一个实施例中预设指标的获取过程的流程示意图；
图7为另一个实施例中开关操作箱二次回路的故障定位方法的流程示意图；
图8为一个实施例中开关操作箱二次回路的故障定位装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一示例性实施例中，如图1所示，提供了一种开关操作箱二次回路的故障定位方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括服务器和终端的系统，并通过服务器和终端的交互实现。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。本实施例中，该方法包括以下步骤：
步骤S102，获取开关操作箱二次回路的运行数据。
其中，开关操作箱二次回路是指控制保护装置与一次开关本体之间的回路，属于电力系统中的二次保护装置；二次保护装置在确保电力系统稳定运行中扮演着核心角色。
其中，开关操作箱二次回路的运行数据是指开关操作箱二次回路的运行数据运行过程中实时产生的相关数据，例如回路上的电流、电压、温度等。
具体地，服务器基于开关操作箱二次回路的数据采集设备获取开关操作箱二次回路在运行过程中实时产生的运行数据。
其中，数据采集设备可以是设置于开关操作箱二次回路上的各类传感器，例如，针对回路上的电流，可以通过电流传感器进行采集，针对回路上的电压，可以通过电压传感器进行采集，针对回路上的温度，可以通过温度传感器进行采集。
进一步地，获取开关操作箱二次回路的运行数据可以分为各条支路上的运行数据，或是各个回路节点上的运行数据。
步骤S104，基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测。
具体地，服务器将开关操作箱二次回路的运行数据输入预先训练得到的故障检测模型中，通过预先训练得到的故障检测模型，基于运行数据对开关操作箱二次回路的运行状态进行检测，判断开关操作箱二次回路中是否存在故障。
其中，预先训练得到的故障检测模型可以通过神经网络模型或机器学习模型实现，故障检测模型用于基于开关操作箱二次回路的运行数据，判断开关操作箱二次回路是否存在故障；预先训练得到的故障检测模型的训练过程如下：
服务器收集开关操作箱二次回路的历史运行数据，历史运行数据的真实标签为历史故障运行数据或历史正常运行数据；然后，服务器根据对历史故障运行数据的分析，确定开关操作箱二次回路对应于运行故障的特征信息，例如经常出现故障的区域、容易出现故障的区域、故障出现的影响因素等；接着，服务器根据上述对应于运行故障的特征信息，确定一个或多个与故障相关的预设指标，并基于历史故障运行数据确定每个预设指标对应的故障条件（例如每个预设指标对应的数据区间、数据阈值）；再然后，服务器将历史运行数据输入待训练的故障检测模型中，通过待训练的故障检测模型，从历史运行数据中提取出预设指标下的指标数据，然后判断指标数据是否符合对应的故障条件，若符合，则说明指标数据处于故障范围内，若不符合，则说明指标数据处于正常范围内，进而确定历史运行数据的检测标签（即历史运行数据是否为故障状态下的运行数据）；最后，服务器根据历史运行数据对应的真实标签和检测标签，确定待训练的故障检测模型对应的损失值，并以减小损失值为目标，对待训练的故障检测模型的模型参数进行调整，直到对应的损失值小于或者等于预设阈值，结束对待训练的故障检测模型的训练，得到训练完成的故障检测模型，即预先训练得到的故障检测模型。
步骤S106，在开关操作箱二次回路中存在故障的情况下，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。
其中，预先训练得到的故障定位模型可以通过神经网络模型或机器学习模型实现，故障定位模型用于通过开关操作二次回路运行数据，对开关操作二次回路中存在的故障进行定位，即确定开关操作箱二次回路中存在故障的故障回路节点。
具体地，服务器在基于预先训练得到的故障检测模型确定开关操作箱二次回路中存在故障的情况下，将开关操作二次回路的运行数据输入预先训练得到的故障定位模型中，通过预先训练得到的故障定位模型，对开关操作二次回路中存在的故障进行定位，确定开关操作箱二次回路中存在故障的故障回路节点。
举例说明，假设开关操作箱二次回路中包括回路节点A、B、C、D、E……，服务器通过故障定位模型，确定开关操作箱二次回路中的故障发生在回路节点C，那么服务器可以将回路节点C确定为故障回路节点，从而实现对故障的定位。
进一步地，若开关操作箱二次回路中存在多个故障，则针对每个故障，分别确定发生该故障的故障回路节点。其中，一个故障可以存在于多个故障回路节点上。
上述开关操作箱二次回路的故障定位方法中，服务器首先获取开关操作箱二次回路的运行数据；然后基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测；最后在开关操作箱二次回路中存在故障的情况下，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。这样，服务器基于开关操作箱二次回路的运行数据，能够对开关操作箱二次回路中的故障存在情况进行检测，基于运行数据和预先训练得到的故障定位模型，能够快速准确地对开关操作箱二次回路中的故障进行定位，确定存在故障的故障回路节点；与依赖于物理检测设备和人工操作的故障定位方法相比，基于上述过程的开关操作箱二次回路的故障定位方法不易受到主观因素的影响，进而提高了开关操作箱二次回路的故障定位的准确度。
在一示例性实施例中，预先训练得到的故障定位模型中，包括开关操作箱二次回路的拓扑结构图对应的图神经网络，拓扑结构图的各个节点表征开关操作箱二次回路中的各个回路节点。
如图2所示，上述步骤S106，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点，具体包括以下步骤：
步骤S202，通过图神经网络，从拓扑结构图的各个节点中，确定出运行数据中的故障数据关联的关联节点。
步骤S204，将关联节点对应的回路节点，确定为存在故障的故障回路节点。
其中，故障定位模型采用图神经网络模型实现，故障定位模型中的图神经网络基于开关操作箱二次回路对应的拓扑结构图构建。
其中，拓扑结构图的各个节点之间的连接边和边权重，根据开关操作箱二次回路的样本故障运行数据，以及样本故障运行数据中的预设指标下的指标数据确定；预设指标根据开关操作箱二次回路的历史故障数据得到，预设指标用于表征开关操作箱二次回路对应于运行故障的特征信息。
具体地，服务器将开关操作箱二次回路输入预先训练得到的故障定位模型中，预先训练得到的故障定位模型基于图神经网络对运行数据的数据处理，从拓扑结构图的各个节点中，确定出与运行数据中的故障数据关联的一个或多个关联节点，该一个或多个关联节点在开关操作箱二次回路的各个回路节点中对应的回路节点，即为存在故障的故障回路节点。
举例说明，假设开关操作箱二次回路中包括回路节点A、B、C、D、E……，开关操作箱二次回路对应的拓扑结构图中包括与回路节点A对应的节点a、与回路节点B对应的节点b、回路节点C对应的节点c、回路节点D对应的节点d、回路节点E对应的节点e……，若故障定位模型确定与运行数据中的故障数据关联的关联节点为拓扑结构图中的节点c，那么服务器将与节点c对应的回路节点C确定为故障回路节点。
本实施例中，服务器通过预先训练得到的故障定位模型，能够从开关操作箱二次回路的拓扑结构图的各个节点中，确定出与开关操作箱二次回路的运行数据中的故障数据对应的关联节点，从而基于关联节点确定存在故障的故障回路节点，进而提高了开关操作箱二次回路的故障定位的准确度。
如图3所示，在一示例性实施例中，预先训练得到的故障定位模型，通过以下方式训练得到：
步骤S302，获取开关操作箱二次回路的样本故障运行数据，以及，构建开关操作箱二次回路对应的数字孪生模型。
步骤S304，根据数字孪生模型，构建开关操作箱二次回路对应的初始拓扑结构图。
步骤S306，根据样本故障运行数据，对初始拓扑结构图进行更新，得到更新后的拓扑结构图。
步骤S308，基于更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行更新，得到训练完成的故障定位模型。
其中，数字孪生模型为开关操作箱二次回路的数字化模型。数字孪生技术是集多学科、多物理量、多尺度、多概率的仿真过程，是充分利用物理建模、传感装置与历史信息等资料，以在虚拟空间中形成数字化的映射，演示实体整个运行经历的技术。基于数字孪生模型，能够实现对开关操作箱二次回路的可视化和仿真。
其中，初始拓扑结构图的各个节点之间的初始连接边和初始边权重，根据开关操作箱二次回路中的各个回路节点之间的连接关系初始化得到。
具体地，服务器首先根据开关操作箱二次回路的历史故障运行数据，得到开关操作箱二次回路的样本故障运行数据，同时，根据开关操作箱二次回路的设计图纸，构建开关操作箱二次回路对应的数字孪生模型；接着，服务器根据数字孪生模型，确定根据开关操作箱二次回路中的各个回路节点之间的连接关系，进而构建得到开关操作箱二次回路对应的初始拓扑结构图；然后，服务器根据样本故障运行数据中的预设特征下的特征数据，更新初始拓扑结构图的各个节点之间的初始连接边和初始边权重，得到更新后的拓扑结构图，最后，服务器基于更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行训练，得到训练后的图神经网络，进而得到训练完成的故障定位模型。
进一步地，服务器根据样本故障运行数据中的预设特征下的特征数据，更新初始拓扑结构图的各个节点之间的初始连接边和初始边权重，基于更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行训练，得到训练后的图神经网络，进而得到训练完成的故障定位模型的过程，可以为循环更新的过程，具体如下：
服务器将样本故障运行数据分为训练集和验证集，在每次更新中，服务器根据训练集对初始拓扑结构图的各个节点之间的初始连接边和初始边权重进行更新，得到更新后的拓扑结构图，并基于更新后的拓扑结构图对待训练的故障定位模型中的图神经网络进行训练，然后基于验证集对训练后的图神经网络验证，即通过训练后的图神经网络确定验证集对应的验证标签（即更新后的拓扑结构图验证集确定的故障回路节点）；接着，服务器基于验证集对应的验证标签和真实标签（即验证集对应的真实故障回路节点），确定训练后的图神经网络的损失值，并以减小损失值为目标，确定是否结束对初始拓扑结构图的更新以及对图神经网络的训练，例如，在损失值大于预设阈值的情况下，将更新后的拓扑结构图作为新的初始拓扑结构图，将更新后的拓扑结构图的各个节点之间的连接边和边权重作为新的初始连接边和新的初始边权重，返回“根据训练集对初始拓扑结构图的各个节点之间的初始连接边和初始边权重进行更新，得到更新后的拓扑结构图，并基于更新后的拓扑结构图对待训练的故障定位模型中的图神经网络进行训练”的步骤，在损失值小于或者等于预设阈值的情况下，结束对初始拓扑结构图的更新以及对图神经网络的训练，基于训练后的图神经网络得到训练完成的故障定位模型。
又进一步地，在每次循环过程中，还可以更新训练集，例如获取新的样本故障运行数据添加到训练集中，
再进一步地，服务器根据开关操作箱二次回路的设计图纸，构建开关操作箱二次回路对应的数字孪生模型的具体过程如下，服务器首先基于开关操作箱二次回路的设计图纸，构建开关操作箱二次回路的物理回路结构图，然后再基于物理回路结构图构建对应的数字孪生模型。
本实施例中，服务器通过开关操作箱二次回路的样本故障运行数据和对应的数字孪生模型，能够构建得到开关操作箱二次回路对应的初始拓扑结构图，通过对始拓扑结构图的更新以及对图神经网络的训练，能够得到训练完成的故障定位模型。基于故障定位模型，服务器能够快速准确地对开关操作箱二次回路中的故障进行定位，确定存在故障的故障回路节点，从而提高了开关操作箱二次回路的故障定位的准确度。
如图4所示，在一示例性实施例中，上述步骤S302中，获取开关操作箱二次回路的样本故障运行数据，具体包括以下步骤：
步骤S402，基于开关操作箱二次回路的历史故障运行数据，对数据生成器与数据判别器进行对抗训练，得到目标数据生成器与目标数据判别器。
步骤S404，基于目标数据生成器对历史故障运行数据进行数据增强处理，得到增强故障运行数据。
步骤S406，在增强故障运行数据通过目标数据判别器的校验的情况下，将增强故障运行数据与历史故障运行数据作为开关操作箱二次回路的样本故障运行数据。
具体地，服务器将开关操作箱二次回路的历史运行数据中的历史故障运行数据分为训练集和验证集，服务器通过训练集对数据生成器与数据判别器进行对抗训练，直到数据生成器能够生成与训练集相似的假故障运行数据、且数据判别器难以区分训练集与数据生成器生成的假故障运行数据，将此时的数据生成器作为目标数据生成器，将此时的数据判别器作为目标数据判别器；然后，服务器基于目标数据生成器，对验证集进行数据增强处理，即通过目标数据生成器生成与验证集相似的故障运行数据，作为增强故障运行数据；接着，服务器将增强故障运行数据输入目标判别器中，通过目标判别器判断增强故障运行数据的真假，若目标判别器判断增强故障运行数据为真，则说明增强故障运行数据通过了目标数据判别器的校验，服务器将增强故障运行数据与历史故障运行数据作为开关操作箱二次回路的样本故障运行数据；若目标判别器判断增强故障运行数据为假，则说明增强故障运行数据未通过目标数据判别器的校验，需要再次对数据生成器与数据判别器进行对抗训练。
进一步地，在每次数据生成器与数据判别器的对抗训练中，还可以更新训练集，例如获取新的历史故障运行数据添加到训练集中，
在数据生成器与数据判别器的对抗训练过程中，二者互相竞争，不断迭代提高生成假数据的能力与识别真假的能力，数据生成器尽可能使得生成的假数据越来越逼真，数据判别器尽可能区分真假数据，直到达到数据生成器生成的假数据足够真，且足以欺骗数据判别器的平衡点。
能够理解的是，在开关操作箱二次回路的历史运行数据中，历史正常运行数据的数量远远大于历史故障运行数据，即对于故障案例而言，其样本数据较少，因此，为了避免在少样本情况下，故障定位模型的欠拟合问题，需要对历史故障运行数据进行数据增强，以提升故障定位模型的性能。本实施例中，服务器数据生成器与数据判别器之间的对抗训练，使得目标数据生成器尽可能生成与历史故障运行数据相似、且尽可能能够欺骗目标数据判别器的增强故障运行数据，从而实现了对历史故障运行数据的数据增强，缓解了故障定位模型在少样本情况下的欠拟合问题，提高了故障定位模型的性能。基于故障定位模型，服务器能够快速准确地对开关操作箱二次回路中的故障进行定位，确定存在故障的故障回路节点，从而提高了开关操作箱二次回路的故障定位的准确度。
在一示例性实施例中，数字孪生模型有对应的可视化界面，可视化界面中有开关操作箱二次回路对应的可视化回路；可视化回路中的各个可视化节点用于表征开关操作箱二次回路中的各个回路节点。
在上述步骤S106，确定开关操作箱二次回路中存在故障的故障回路节点之后，具体还包括以下内容：在各个可视化节点中，确定故障回路节点对应的可视化节点；在可视化界面中，对故障回路节点对应的可视化节点进行标识，并显示故障回路节点上的故障对应的提示信息。
具体地，服务器在数字孪生模型的可视化界面上的可视化回路的各个可视化节点中，确定与故障回路节点对应的可视化节点，同时，服务器生成故障回路节点上的故障的对应的提示信息；然后，服务器在可视化界面中，对与故障回路节点对应的可视化节点进行标识，例如，放大与故障回路节点对应的可视化节点、用方框或圆圈将与故障回路节点对应的可视化节点标记出来等，并在可视化界面中显示故障回路节点上的故障对应的提示信息，以及时提醒运维人员故障的发生、故障的发生原因以及故障的发生节点。
进一步地，若故障回路节点为多个，则同时对多个故障回路节点进行标识；若开关操作箱二次回路中的故障为多个，则同时显示每个故障对应的故障回路节点上的故障对应的提示信息。
本实施例中，服务器基于数字孪生模型的可视化的特点，能够对故障的检测结果和定位结果进行可视化，从而使得运维人员能够更迅速、更及时、更直接以及更准确地获取故障信息，进而及时采取正确的运维措施，提升实际的管控效果，为启动事故应急预案争取了更多时间，从而确保了电力系统的稳定运行。
如图5所示，在一示例性实施例中，上述步骤S104，基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测，具体包括以下步骤：
步骤S502，从运行数据中，提取出预设指标下的指标数据
步骤S504，在指标数据符合预设指标对应的故障条件的情况下，将指标数据确定为运行数据中的故障数据，并确定开关操作箱二次回路中存在故障。
其中，预设指标根据开关操作箱二次回路的历史故障数据得到，预设指标用于表征开关操作箱二次回路对应于运行故障的特征信息；预设指标可以为一个或多个，每个预设指标有对应的故障条件；故障条件用于表征在开关操作箱二次回路中存在故障的情况下，预设指标对应的指标数据的变化情况。
具体地，服务器从开关操作箱二次回路的运行数据中，提取出预设指标下的指标数据；然后，服务器指标数据是否符合预设指标对应的故障条件，例如指标数据是否落入故障条件对应的区间或范围内，并在指标数据符合预设指标对应的故障条件的情况下，将指标数据确定为运行数据中的故障数据，并确定开关操作箱二次回路中存在故障。
进一步地，若预设指标为多个，则服务器针对每个预设指标，确定该预设指标下的指标数据是否符合该预设指标对应的故障条件，并在符合的情况下，将该预设指标下的指标数据确定为运行数据中的故障数据。
本实施例中，服务器通过运行数据中预设指标下的指标数据，与预设指标对应的故障条件，能够检测开关操作箱二次回路中是否存在故障。
如图6所示，在一示例性实施例中，上述任一项实施例中的预设指标通过以下方式得到：
步骤S602，基于历史故障运行数据，确定开关操作箱二次回路对应于运行故障的特征信息。
步骤S604，根据特征信息，确定与故障相关的预设指标。
步骤S606，基于历史故障运行数据中预设指标下的指标数据，确定预设指标对应的故障条件。
具体地，服务器根据对历史故障运行数据的分析，确定开关操作箱二次回路对应于运行故障的特征信息，例如经常出现故障的区域、容易出现故障的区域、故障出现的影响因素等；接着，服务器根据上述对应于运行故障的特征信息，确定一个或多个与故障相关的预设指标，并基于历史故障运行数据确定每个预设指标对应的故障条件（例如每个预设指标对应的数据区间、数据阈值）。
进一步地，服务器基于历史故障运行数据，确定开关操作箱二次回路对应于运行故障的特征信息，进而确定与故障相关的预设指标的过程，可以通过主成分分析法或是有限元分析实现。
在一示例性实施例中，如图7所示，提供了另一种开关操作箱二次回路的故障定位方法，以该方法应用于服务器为例进行说明，包括以下步骤：
步骤S702，获取开关操作箱二次回路的运行数据。
步骤S704，从运行数据中，提取出预设指标下的指标数据。
步骤S706，在指标数据符合预设指标对应的故障条件的情况下，将指标数据确定为运行数据中的故障数据，并确定开关操作箱二次回路中存在故障。
步骤S708，在开关操作箱二次回路中存在故障的情况下，通过预先训练得到的故障定位模型中的图神经网络，从开关操作箱二次回路的拓扑结构图的各个节点中，确定出运行数据中的故障数据关联的关联节点。
步骤S710，将关联节点对应的回路节点，确定为存在故障的故障回路节点。
步骤S712，在开关操作箱二次回路对应的数字孪生模型的可视化界面上的可视化回路的各个可视化节点中，确定故障回路节点对应的可视化节点。
步骤S714，在可视化界面中，对故障回路节点对应的可视化节点进行标识，并显示故障回路节点上的故障对应的提示信息。
本实施例中，第一，服务器通过运行数据中预设指标下的指标数据，与预设指标对应的故障条件，能够检测开关操作箱二次回路中是否存在故障。第二，服务器通过预先训练得到的故障定位模型，能够从开关操作箱二次回路对应的拓扑结构图的各个节点中，确定出与开关操作箱二次回路的运行数据中的故障数据对应的关联节点，从而基于关联节点确定存在故障的故障回路节点，进而提高了开关操作箱二次回路的故障定位的准确度。第三，服务器基于数字孪生模型的可视化的特点，能够对故障的检测结果和定位结果进行可视化，从而使得运维人员能够更迅速、更及时、更直接以及更准确地获取故障信息，进而及时采取正确的运维措施，提升实际的管控效果，为启动事故应急预案争取了更多时间，从而确保了电力系统的稳定运行。
为了更清晰阐明本申请实施例提供的开关操作箱二次回路的故障定位方法，以下以一个具体的实施例对该开关操作箱二次回路的故障定位方法进行具体说明，但应当理解的是，本申请实施例并不限于此。在一示例性实施例中，本申请还提供了一种基于数字孪生技术的虚拟回路故障定位方法，具体包括以下步骤：
1、构建开关操作箱二次回路的物理回路结构图。
通过专家判断方法，基于现有的开关操作箱二次回路的设计图纸，通过人工干预的形式形成一套标准的、电子版的物理回路结构图，对开关操作箱二次回路的物理回路结构图进行制作。
2、构建开关操作箱二次回路的数字孪生模型。
服务器基于物理回路结构图，构建开关操作箱二次回路的数字孪生模型，基于数字孪生模型，能够对开关操作箱二次回路进行仿真、实时分析以及全方位监控，从而掌握各装置工作状态的数据资料，并能查看其整体的变化走向
3、收集开关操作箱二次回路的历史运行数据，并提取与故障相关的预设指标。
服务器收集开关操作箱二次回路的历史运行数据，并对历史运行数据进行数据预处理，例如数据清洗、数据填补、数据归一化等。其中，历史运行数据分为历史故障运行数据和历史正常运行数据。
服务器根据历史故障运行数据的变化情况，确定与故障相关的预设指标。
4、对历史故障运行数据进行数据增强。
服务器基于对抗神经网络对历史故障运行数据进行数据增强，得到用于训练对开关操作箱二次回路进行故障定位的图神经网络的样本故障运行数据。
5、训练基于图神经网络的故障定位模型。
服务器基于数字孪生模型，构建开关操作箱二次回路对应的图神经网络；基于样本故障运行数据，优化图神经网络对应的参数、损失函数、激活函数等，从而得到故障定位模型。
6、基于故障定位模型实现对开关操作箱二次回路的故障定位。
服务器获取开关操作箱二次回路的运行数据，在基于运行数据，确定开关操作箱二次回路中存在故障的情况下，通过运行数据和故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。
7、基于数字孪生模型可视化故障回路节点。
服务器在开关操作箱二次回路对应的数字孪生模型的可视化界面上的可视化回路的各个可视化节点中，确定故障回路节点对应的可视化节点，在可视化界面中，对故障回路节点对应的可视化节点进行标识，并显示故障回路节点上的故障对应的提示信息。
二次保护装置在确保电力系统稳定运行中扮演着核心角色，尤其是开关操作箱二次回路，作为控制保护装置与一次开关本体之间的关键连接，其有着显著的重要性。
然而，目前对于开关操作箱二次回路的故障定位，存在以下三个挑战：（1）物理回路信息的电子化缺失：当前，物理回路信息的获取依赖于设计图纸或其他纸质文档，缺乏直接的电子化方式，导致信息获取不便捷；（2）回路故障定位挑战：当回路发生故障时，存在定位难度，且状态监视不直观，影响故障诊断和及时处理；（3）操作箱识图难度：运维人员在识别操作箱内部图纸时面临挑战，增加了使用复杂性。
在本实施例中，采用对抗神经网络和图神经网络等算法相结合的技术手段，克服了现有技术的以下难点：（1）通过对抗神经网络生成的多样化数据，使得图神经网络能够更好的泛化到新的或为见过的故障场景；（2）图神经网络具有较高的准确性和鲁棒性，从而提高了故障定位的准确性；（3）利用建设数字孪生的虚拟仿真技术实现了虚拟逻辑回路的建设，并能够对故障及故障节点进行可视化，解决了二次保护设备回路复杂人工查找翻阅困难的问题。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的开关操作箱二次回路的故障定位方法的开关操作箱二次回路的故障定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个开关操作箱二次回路的故障定位装置实施例中的具体限定可以参见上文中对于开关操作箱二次回路的故障定位方法的限定，在此不再赘述。
在一个示例性的实施例中，如图8所示，提供了一种开关操作箱二次回路的故障定位装置，包括：数据获取模块802、故障检测模块804和故障定位模块806，其中：
数据获取模块802，用于获取开关操作箱二次回路的运行数据。
故障检测模块804，用于基于运行数据，对开关操作箱二次回路中的故障存在情况进行检测。
故障定位模块806，用于在开关操作箱二次回路中存在故障的情况下，通过运行数据和预先训练得到的故障定位模型，确定开关操作箱二次回路中存在故障的故障回路节点。
在一示例性实施例中，预先训练得到的故障定位模型中，包括开关操作箱二次回路的拓扑结构图对应的图神经网络，拓扑结构图的各个节点表征开关操作箱二次回路中的各个回路节点。
故障定位模块806，还用于通过图神经网络，从拓扑结构图的各个节点中，确定出运行数据中的故障数据关联的关联节点；将关联节点对应的回路节点，确定为存在故障的故障回路节点。
在一示例性实施例中，开关操作箱二次回路的故障定位装置，还包括定位模型训练模块，用于获取开关操作箱二次回路的样本故障运行数据，以及，构建开关操作箱二次回路对应的数字孪生模型；根据数字孪生模型，构建开关操作箱二次回路对应的初始拓扑结构图；根据样本故障运行数据，对初始拓扑结构图进行更新，得到更新后的拓扑结构图；基于更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行更新，得到训练完成的故障定位模型。
在一示例性实施例中，定位模型训练模块，还用于基于开关操作箱二次回路的历史故障运行数据，对数据生成器与数据判别器进行对抗训练，得到目标数据生成器与目标数据判别器；基于目标数据生成器对历史故障运行数据进行数据增强处理，得到增强故障运行数据；在增强故障运行数据通过目标数据判别器的校验的情况下，将增强故障运行数据与历史故障运行数据作为开关操作箱二次回路的样本故障运行数据。
在一示例性实施例中，数字孪生模型有对应的可视化界面，可视化界面中有开关操作箱二次回路对应的可视化回路；可视化回路中的各个可视化节点用于表征开关操作箱二次回路中的各个回路节点。
开关操作箱二次回路的故障定位装置，还包括故障可视化模块，用于在各个可视化节点中，确定故障回路节点对应的可视化节点；在可视化界面中，对故障回路节点对应的可视化节点进行标识，并显示故障回路节点上的故障对应的提示信息。
在一示例性实施例中，故障检测模块804，还用于从运行数据中，提取出预设指标下的指标数据；预设指标根据开关操作箱二次回路的历史故障数据得到；在指标数据符合预设指标对应的故障条件的情况下，将指标数据确定为运行数据中的故障数据，并确定开关操作箱二次回路中存在故障。
上述开关操作箱二次回路的故障定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储开关操作箱二次回路的历史故障运行数据、样本故障运行数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种开关操作箱二次回路的故障定位方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种开关操作箱二次回路的故障定位方法，其特征在于，所述方法包括：
获取开关操作箱二次回路的运行数据；
基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
2.根据权利要求1所述的方法，其特征在于，所述预先训练得到的故障定位模型中，包括所述开关操作箱二次回路的拓扑结构图对应的图神经网络，所述拓扑结构图的各个节点表征所述开关操作箱二次回路中的各个回路节点；
所述通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点，包括：
通过所述图神经网络，从所述拓扑结构图的各个节点中，确定出所述运行数据中的故障数据关联的关联节点；
将所述关联节点对应的回路节点，确定为存在所述故障的故障回路节点。
3.根据权利要求2所述的方法，其特征在于，所述预先训练得到的故障定位模型，通过以下方式训练得到：
获取所述开关操作箱二次回路的样本故障运行数据，以及，构建所述开关操作箱二次回路对应的数字孪生模型；
根据所述数字孪生模型，构建所述开关操作箱二次回路对应的初始拓扑结构图；
根据所述样本故障运行数据，对所述初始拓扑结构图进行更新，得到更新后的拓扑结构图；
基于所述更新后的拓扑结构图，对待训练的故障定位模型中的图神经网络进行训练，得到训练完成的故障定位模型。
4.根据权利要求3所述的方法，其特征在于，所述获取所述开关操作箱二次回路的样本故障运行数据，包括：
基于所述开关操作箱二次回路的历史故障运行数据，对数据生成器与数据判别器进行对抗训练，得到目标数据生成器与目标数据判别器；
基于目标数据生成器对所述历史故障运行数据进行数据增强处理，得到增强故障运行数据；
在所述增强故障运行数据通过所述目标数据判别器的校验的情况下，将所述增强故障运行数据与所述历史故障运行数据作为所述开关操作箱二次回路的样本故障运行数据。
5.根据权利要求2所述的方法，其特征在于，所述数字孪生模型有对应的可视化界面，所述可视化界面中有所述开关操作箱二次回路对应的可视化回路；所述可视化回路中的各个可视化节点用于表征所述开关操作箱二次回路中的各个回路节点；
在确定所述开关操作箱二次回路中存在所述故障的故障回路节点之后，还包括：
在所述各个可视化节点中，确定所述故障回路节点对应的可视化节点；
在所述可视化界面中，对所述故障回路节点对应的可视化节点进行标识，并显示所述故障回路节点上的故障对应的提示信息。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测，包括：
从所述运行数据中，提取出预设指标下的指标数据；所述预设指标根据所述开关操作箱二次回路的历史故障数据得到；
在所述指标数据符合所述预设指标对应的故障条件的情况下，将所述指标数据确定为所述运行数据中的故障数据，并确定所述开关操作箱二次回路中存在故障。
7.一种开关操作箱二次回路的故障定位装置，其特征在于，所述装置包括：
数据获取模块，用于获取开关操作箱二次回路的运行数据；
故障检测模块，用于基于所述运行数据，对所述开关操作箱二次回路中的故障存在情况进行检测；
故障定位模块，用于在所述开关操作箱二次回路中存在故障的情况下，通过所述运行数据和预先训练得到的故障定位模型，确定所述开关操作箱二次回路中存在所述故障的故障回路节点。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311856912.4A CN118091308A (zh) | 2023-12-29 | 2023-12-29 | 开关操作箱二次回路的故障定位方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311856912.4A CN118091308A (zh) | 2023-12-29 | 2023-12-29 | 开关操作箱二次回路的故障定位方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118091308A true CN118091308A (zh) | 2024-05-28 |
Family
ID=91148320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311856912.4A Pending CN118091308A (zh) | 2023-12-29 | 2023-12-29 | 开关操作箱二次回路的故障定位方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118091308A (zh) |
-
2023
- 2023-12-29 CN CN202311856912.4A patent/CN118091308A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792453B (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN113343633A (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
| CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN116167010A (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| CN117034143A (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
| CN118330408A (zh) | 基于数据分析的电缆寿命智能预测方法及系统 | |
| CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
| CN114841222B (zh) | 构建高压断路器故障检测模型的方法、检测方法及配电系统 | |
| CN118091308A (zh) | 开关操作箱二次回路的故障定位方法、装置和计算机设备 | |
| CN114198863B (zh) | 机房空调的故障检测方法、装置、计算机设备、存储介质 | |
| CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
| CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
| CN117891566B (zh) | 智能软件的可靠性评估方法、装置、设备、介质和产品 | |
| CN118378036B (zh) | 故障检测方法、装置、计算机设备以及存储介质 | |
| CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
| CN118054111B (zh) | 锂电池组安全管理方法、装置、存储介质及电子设备 | |
| KR20180106701A (ko) | 사물인터넷 기반 기기 관리 시스템 및 방법 | |
| CN116577669A (zh) | 电池安全的检测方法及电池安全检测模型的生成方法 | |
| CN117935004A (zh) | 接线状态监测方法、接线状态监测模型的训练方法及装置 | |
| CN116451067A (zh) | 数据核查模型生成方法、装置、计算机设备和存储介质 | |
| CN117520896A (zh) | 电缆附件故障诊断方法、装置、计算机设备和存储介质 |
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 |