CN118112356A - 一种电力设备的故障监测方法、装置、电子设备及存储介质 - Google Patents

一种电力设备的故障监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118112356A
CN118112356A CN202410276015.4A CN202410276015A CN118112356A CN 118112356 A CN118112356 A CN 118112356A CN 202410276015 A CN202410276015 A CN 202410276015A CN 118112356 A CN118112356 A CN 118112356A
Authority
CN
China
Prior art keywords
fault
power equipment
neural network
current
output
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
Application number
CN202410276015.4A
Other languages
English (en)
Inventor
赵瑞锋
郭文鑫
卢建刚
谭慧娟
王臣
李谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202410276015.4A priority Critical patent/CN118112356A/zh
Publication of CN118112356A publication Critical patent/CN118112356A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种电力设备的故障监测方法、装置、电子设备及存储介质，通过实时监测电力设备的输出电流、输出电压、以及输出功率，计算生成对应的输出电流、输出电压、以及输出功率各自对应的频谱数据以及谐波分量，继而通过故障预测模型根据频谱数据、谐波分量、运行温度、以及机械振动频率输入，预测所述电力设备在未来可能出现的各类故障以及各类故障在各未来各时段内出现的概率。因此，本发明能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。

Description

一种电力设备的故障监测方法、装置、电子设备及存储介质
技术领域
本发明涉及电力设备运维技术领域，尤其涉及一种电力设备的故障监测方法、装置、电子设备及存储介质。
背景技术
随着科学技术的不断发展，电网中各电力设备的实时运行数据被广泛地应用于电网的运维领域，使得电网运维中出现的大多数问题可以得到更有效的解决，然而，现有的电网实时数据分析技术存在局限性，当前的实时运行数据分析仍然依赖于传统的数据处理方法，简而言之即是简单的根据各电力设备的实时运行数据是否异常来判断对应的电力设备是否故障。
但在检测到电力设备的实时运行数据出现异常时，电网的运行已经受到了严重的不良影响，且在电力设备故障后再进行维护工作需要耗费更多的时间和成本。因此，如何根据电力设备的实时运行数据，预测各电力设备是否存在故障风险已成为当前亟需解决的问题。
发明内容
本发明实施例提供一种电力设备的故障监测方法、装置、电子设备及存储介质，能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。
本发明另一实施例提供了一种电力设备的故障监测方法，包括：
获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
进一步的，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、以及欠电压状态；
所述运行状态识别模型的构建，包括：
获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
进一步的，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
进一步的，所述一种电力设备的故障监测方法，还包括：
根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
本发明另一实施例提供了一种电力设备的故障监测装置，包括：
数据获取模块，用于获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
数据处理模块，用于将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
故障预测模块，用于将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
进一步的，所述一种电力设备的故障监测装置，还包括：运行状态识别模块；
所述运行状态识别模块，用于在所述数据处理模块生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、欠电压状态以及故障运行状态；
所述运行状态识别模型的构建，包括：
获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
进一步的，所述运行状态识别模块，还用于在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
进一步的，所述一种电力设备的故障监测装置，还包括：可视化模块；
所述可视化模块，用于根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
本发明另一实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如所述任意一项发明实施例所述的一种电力设备的故障监测方法。
本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如所述任意一项发明实施例所述的一种电力设备的故障监测方法。
通过实施本发明具有如下有益效果：
本发明公开了一种电力设备的故障监测方法、装置、电子设备及存储介质，通过实时监测电力设备的输出电流、输出电压、以及输出功率，计算生成电力设备在运行时的输出电流、输出电压、以及输出功率各自对应的频谱数据以及谐波分量，继而将所述频谱数据、所述谐波分量、所述运行温度、以及机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备在未来可能出现的各类故障以及各类故障在各未来各时段内出现的概率。因此，本发明能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。
附图说明
图1是本发明一实施例提供的一种电力设备的故障监测方法的流程示意图。
图2是本发明一实施例提供的一种电力设备的故障监测装置的结构示意图。
具体实施方式
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。
参见图1，是本发明一实施例提供的一种电力设备的故障监测方法的流程示意图，包括：
S1、获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
在本发明一优选的实施例中，电力设备包括发电设备、输电设备以及配电设备等，在本实施例中，以发电机为例对本发明的技术方案进行说明。采用装载在发电机上的电流电压传感器，采集当前时段内发电机输出的第一输出电以及第一输出电压，并根据第一输出电以及第一输出电压可直接计算得到发电机在当前时段内的第一输出功率。进一步的，采用温度传感器以及振动传感器，直接采集当前一小时内发电机运行时的第一运行温度以及第一机械振动频率。
S2、将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
在本发明一优选的实施例中，采用傅里叶变换方法，将当前时段内电力设备的第一输出电流、所述第一输出电压、以及所述第一输出功率从时域转换到频域，得到与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量。
S3、将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
S001、获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
在本发明一优选的实施例中，获取以往发电机在发生各类故障前一小时、前三小时以及前五小时内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率作为若干第一训练样本，并将各第一训练样本附上所属故障类型和所属时段所对应的故障类型标记和时段标记。
S002、构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
在本发明一优选的实施例中，所述第一神经网络模型为CNN神经网络结构，采用若干所述第一训练样本对所述第一神经网络模型进行训练，以使第一神经网络模型对第一训练样本进行特征提取，并根据所提取的特征预测当前第一训练样本所属的故障类型以及当前处于故障前各时段的概率，在模型输出结果误差最低且稳定时，将当前的第一神经网络模型作为所述故障预测模型。
优选的，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
S21、根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、以及欠电压状态；
在本发明一优选的实施例中，通过一预设的运行状态识别模型对发电机当前的运行状态进行识别，可以理解的是，若发电机长期处于非正常运行状态运行，则容易出现故障，因此，通过预设的运行状态识别模型，根据发电机当前时段的第一频谱数据、第一谐波分量、第一运行温度、以及第一机械振动频率，来识别发电机当前的运行状态，以使运维人员及时得知发电机是否处于非正常运行状态，并采取对应的检修措施。
所述运行状态识别模型的构建，包括：
S011、获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
S012、构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
在本发明一优选的实施例中，获取发电机在以往不同运行状态下的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率作为第二训练样本，且为每一第二训练样本赋予对应的运行状态标记。
进一步的，构建一CNN神经网络结构的第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，以使第二神经网络模型对第二训练样本进行特征提取，并学习所提取的特征与对应运行状态标记之间的映射，直至第二神经网络模型的输出误差最小且稳定收敛，得到运行状态识别模型。
优选的，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
S22、在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
在本发明一优选的实施例中，当确定发电机当前的运行状态不为正常运行状态时，则所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以告知运维人员存在有故障风险的发电机，以及该发电机具体当期处于哪一运行状态，以使运维人员能够及时排除发电机的故障风险。
优选的，所述一种电力设备的故障监测方法，还包括：
S4、根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
本发明实施例提供的本发明公开了一种电力设备的故障监测方法，通过实时监测电力设备的输出电流、输出电压、以及输出功率，计算生成电力设备在运行时的输出电流、输出电压、以及输出功率各自对应的频谱数据以及谐波分量，继而将所述频谱数据、所述谐波分量、所述运行温度、以及机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备在未来可能出现的各类故障以及各类故障在各未来各时段内出现的概率。因此，本发明能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。
参见图2，是本发明一实施例提供的一种电力设备的故障监测装置的结构示意图，包括：
数据获取模块，用于获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
数据处理模块，用于将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
故障预测模块，用于将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
优选的，所述一种电力设备的故障监测装置，还包括：运行状态识别模块；
所述运行状态识别模块，用于在所述数据处理模块生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、欠电压状态以及故障运行状态；
所述运行状态识别模型的构建，包括：
获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
优选的，所述运行状态识别模块，还用于在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
优选的，所述一种电力设备的故障监测装置，还包括：可视化模块；
所述可视化模块，用于根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
本发明公开了一种电力设备的故障监测装置，通过实时监测电力设备的输出电流、输出电压、以及输出功率，计算生成电力设备在运行时的输出电流、输出电压、以及输出功率各自对应的频谱数据以及谐波分量，继而将所述频谱数据、所述谐波分量、所述运行温度、以及机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备在未来可能出现的各类故障以及各类故障在各未来各时段内出现的概率。因此，本发明能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
所述领域的技术人员可以清楚地了解到，为了方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
本发明另一实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如所述任意一项发明实施例所述的一种电力设备的故障监测方法。电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明另一实施例提供了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种电力设备的故障监测方法，其特征在于，包括：
获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
2.如权利要求1所述的一种电力设备的故障监测方法，其特征在于，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、以及欠电压状态；
所述运行状态识别模型的构建，包括：
获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
3.如权利要求2所述的一种电力设备的故障监测方法，其特征在于，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
4.如权利要求3所述的一种电力设备的故障监测方法，其特征在于，还包括：
根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
5.一种电力设备的故障监测装置，其特征在于，包括：
数据获取模块，用于获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
数据处理模块，用于将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
故障预测模块，用于将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
其中，所述故障预测模型的构建过程，包括：
获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
6.如权利要求5所述的一种电力设备的故障监测装置，其特征在于，还包括：运行状态识别模块；
所述运行状态识别模块，用于在所述数据处理模块生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、欠电压状态以及故障运行状态；
所述运行状态识别模型的构建，包括：
获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
7.如权利要求6所述的一种电力设备的故障监测装置，其特征在于，所述运行状态识别模块，还用于在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
8.如权利要求7所述的一种电力设备的故障监测装置，其特征在于，还包括：可视化模块；
所述可视化模块，用于根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的一种电力设备的故障监测方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至4中任意一项所述的一种电力设备的故障监测方法。
CN202410276015.4A 2024-03-12 2024-03-12 一种电力设备的故障监测方法、装置、电子设备及存储介质 Pending CN118112356A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410276015.4A CN118112356A (zh) 2024-03-12 2024-03-12 一种电力设备的故障监测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410276015.4A CN118112356A (zh) 2024-03-12 2024-03-12 一种电力设备的故障监测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN118112356A true CN118112356A (zh) 2024-05-31

Family

ID=91214144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410276015.4A Pending CN118112356A (zh) 2024-03-12 2024-03-12 一种电力设备的故障监测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118112356A (zh)

Similar Documents

Publication Publication Date Title
Zaher et al. Online wind turbine fault detection through automated SCADA data analysis
RU2012155276A (ru) Обнаружение и анализ злоумышленной атаки
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
US12039045B2 (en) Event analysis in an electric power system
CN112025703B (zh) 机器人自诊断的方法、装置及系统
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
CN118408583B (zh) 一种编码器故障诊断方法及系统
CN115437886A (zh) 基于存算一体芯片的故障预警方法、装置、设备及存储
CN113487182B (zh) 设备健康状态评估方法、装置、计算机设备和介质
CN111488947A (zh) 电力系统设备的故障检测方法与装置
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN109818808A (zh) 故障诊断方法、装置和电子设备
CN112541011A (zh) 基于rpa和ai的电网终端故障处理方法及装置
CN107121616B (zh) 一种用于对智能仪表进行故障定位的方法和装置
CN118112356A (zh) 一种电力设备的故障监测方法、装置、电子设备及存储介质
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质
CN115577821A (zh) 一种设备剩余使用寿命的预测方法和装置
CN111427930A (zh) 一种低压光伏储能微网设备监测管理系统、方法及设备
KR102683088B1 (ko) Lvdc 농공단지 마이크로그리드 전력망 안정화 시스템 및 계통환경 분석 장치
CN117707050B (zh) 基于云计算的数控机床实时监控与数据分析系统及方法
CN116880398B (zh) 仪控设备的故障分析方法、系统、电子设备及存储介质
CN115877269B (zh) 基于智慧母线的配电预警方法、装置、设备及存储介质
CN118054565A (zh) 一种电网状态分析方法、装置、终端设备和存储介质
CN118171423A (zh) 基于数据融合的电网图构建方法、装置、终端设备及介质
CN116228200A (zh) 一种电力设备的运检管控方法及装置

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