CN118889692B - 一种配电柜智能监测预警系统 - Google Patents
一种配电柜智能监测预警系统 Download PDFInfo
- Publication number
- CN118889692B CN118889692B CN202411345176.0A CN202411345176A CN118889692B CN 118889692 B CN118889692 B CN 118889692B CN 202411345176 A CN202411345176 A CN 202411345176A CN 118889692 B CN118889692 B CN 118889692B
- Authority
- CN
- China
- Prior art keywords
- parameters
- real
- false alarm
- data
- parameter
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 239000000428 dust Substances 0.000 claims abstract description 126
- 238000012502 risk assessment Methods 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm 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
- 230000036632 reaction speed Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/24—Circuit arrangements for boards or switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电力设备的安全监测技术领域，具体为一种配电柜智能监测预警系统，包括：通过数据收集与处理模块收集历史故障数据和误报数据，识别关键事件。参数设定与管理模块为每个关键事件获取一组异常变化参数，并设定初始采集参数、优先级、采集频率和触发条件。实时数据采集模块根据优先级与采集频率获取实时初始参数，若实时初始参数满足其触发条件，在影响时长内获取一组实时变化参数；灰尘覆盖率计算模块基于实时变化参数计算灰尘覆盖率；风险评估模块结合实时变化参数和灰尘覆盖率计算风险评估值；误报模型训练与识别模块根据实时变化参数生成误报预测标签。最终，当风险评估值超过预设阈值且误报识别结果为非误报时，预警模块发出预警。
Description
技术领域
本发明涉及电力设备的安全监测技术领域，具体为一种配电柜智能监测预警系统。
背景技术
配电柜是电力系统中的末端设备，通常与多个用电设备、保护装置和监控系统相连接。它不仅承担着电力分配的任务，还对整个电力系统的安全性和稳定性负责。配电柜广泛应用于工业、商业建筑和大型基础设施中，是电力系统中的重要节点。
随着电力需求的不断增长和电力系统的复杂化，配电柜的设计也逐步向智能化和自动化发展。配电柜不仅要承受和管理大功率的电力负载，还必须应对各种外部环境因素的挑战，如湿度、高温、灰尘等。这些环境因素如果不加以监控和管理，可能导致内部元件的老化和接触不良，甚至发生电气火灾等严重事故。因此，现代的配电柜逐步集成了环境监测功能和智能化管理系统。这些系统可以实时监测配电柜内外部的温度、湿度，以及灰尘积累情况，并检测内部元件的运行状态，如断路器的状态、电缆连接的松紧度等。一旦监测到异常，系统会及时发出预警，通知维护人员进行检修，防止潜在故障的发生。这种智能监控系统通过提高对环境和设备状态的感知能力，实现了更加精准和高效的电力管理。
现有的配电柜智能监测预警系统通常采用全面监测的策略，试图对配电柜及其环境中的所有参数进行广泛覆盖和实时监控。然而，这种全面监测方法在实践中存在一些显著的缺点。首先，全面监测缺乏针对性，容易导致资源分散和浪费，因为系统需要处理大量的数据，包括许多可能不相关或不关键的参数。其次，由于监测范围过于广泛，系统可能无法有效聚焦在最关键的异常上，导致故障预警的准确性降低。此外，处理大量无关数据还会增加系统的复杂性和运行负担，可能延缓对真正重要问题的响应速度，最终影响整体电力系统的安全性和可靠性。
为此，提出一种配电柜智能监测预警系统。
发明内容
本发明的目的在于提供一种配电柜智能监测预警系统，该配电柜智能监测预警系统包括多个模块：数据收集与处理模块用于收集历史故障数据和误报数据，并识别导致故障的关键事件；参数设定与管理模块根据历史故障数据获取关键事件对应的异常变化参数，定义初始采集参数，并设定优先级、采集频率、触发条件和影响时长；实时数据采集模块则根据优先级和采集频率实时采集初始参数，并在满足触发条件时，持续采集关键事件对应的异常变化参数，得到实时变化参数；灰尘覆盖率计算模块基于实时变化参数计算灰尘覆盖率；风险评估模块结合实时变化参数和灰尘覆盖率计算风险评估值；误报模型训练与识别模块根据实时变化参数生成误报预测标签。预警模块在风险评估值超过预设阈值且预测为非误报时发出预警。通过引入灰尘覆盖率预测模型，该系统能够实时监测设备表面的灰尘积累情况，从而提高设备故障预测的准确性，避免因灰尘覆盖导致的误报或设备故障。风险评估值的计算方式，使得系统能够动态调整评估过程中的权重和参数，综合考虑设备运行状态、灰尘覆盖率和设备使用时间等因素，从而更精准地进行风险评估和预警。同时，引入误报识别模型，通过针对不同事件独立训练模型，有效识别误报情况，减少因环境因素或设备老化导致的误报现象，提升系统的预警准确性和可靠性。
为实现上述目的，本发明提供如下技术方案：
一种配电柜智能监测预警系统，包括：
数据收集与处理模块，用于收集指定配电柜的历史故障数据，包括实际故障数据和误报数据；根据所述实际故障数据识别导致故障发生的关键事件；
参数设定与管理模块，用于根据所述实际故障数据，获取每个所述关键事件对应的一组异常变化参数；为每个所述关键事件定义一组初始采集参数，并根据所述关键事件的严重程度和历史发生频率，为每组所述初始采集参数设定优先级和采集频率；为每个所述关键事件设定发生的触发条件和影响时长；
实时数据采集模块，用于根据所述优先级和所述采集频率，实时采集多组所述初始采集参数，得到多组实时初始参数；判断所述实时初始参数是否满足对应的所述触发条件，若满足，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组实时变化参数；
灰尘覆盖率计算模块，用于根据一组所述实时变化参数得到一组对应的灰尘覆盖率；
风险评估模块，用于根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值；
误报模型训练与识别模块，用于根据所述实时变化参数得到误报预测标签；
预警模块，用于当所述风险评估值大于预设阈值且所述误报预测标签为非误报时，进行预警。
进一步地，所述实时变化参数包括由高分辨率摄像头在对应的数据采集点处获取的设备表面图像；所述设备表面图像为获取对应参数的设备的表面图像，每张所述设备表面图像中仅包含一个设备。
进一步地，所述数据采集点处还配备有照明设备。
进一步地，根据一组所述实时变化参数得到一组对应的所述灰尘覆盖率包括：
将一组所述实时变化参数对应的一组设备表面图像输入训练好的灰尘覆盖率预测模型中，得到一组对应的所述灰尘覆盖率。
进一步地，所述灰尘覆盖率预测模型包括：
输入层，用于接收所述设备表面图像；
预处理层，用于对所述设备表面图像进行灰度化处理和噪声去除；
设备区域分割层，用于识别和分割设备表面区域；
灰尘检测层，用于识别所述设备表面区域上的灰尘区域；
灰尘覆盖率计算层，用于计算灰尘区域在所述设备表面区域中所占的比例；
输出层，用于输出所述灰尘覆盖率。
进一步地，获取每个所述关键事件对应的一组所述异常变化参数包括：
从所述实际故障数据中提取多维度特征参数，包括电流、电压、温度、湿度、振动和设备表面图像特征，并利用Granger因果分析对所述多维度特征参数进行分析，确定各所述多维度特征参数之间的因果关系，识别出因所述关键事件导致的显著参数变化，得到K个显著变化参数，所述显著变化参数的集合构成每个所述关键事件对应的一组所述异常变化参数。
进一步地，若所述实时初始参数满足对应的所述触发条件，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组所述实时变化参数还包括：立即发出潜在风险预警，提示已发生所述关键事件。
进一步地，根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值包括：
获取所述配电柜未发生故障时的日常维护数据；从所述日常维护数据中提取每个所述异常变化参数对应的正常波动范围，建立基线参考标准；所述基线参考标准包括每个所述异常变化参数的均值、方差和标准差；基于所述基线参考标准，为每个所述异常变化参数设定阈值；
将未超出对应所述阈值的所述实时变化参数作为安全参数，计算所述安全参数的第一风险评估值，计算公式为：
其中，为所述第一风险评估值，为所述安全参数的索引，为所述安全参数的总数，为固定值，为第个所述安全参数对应的灰尘覆盖率权重，为第个所述安全参数对应的灰尘覆盖率；为第个所述安全参数对应的设备使用时间权重，为第个所述安全参数对应的设备使用时间；
将超出对应所述阈值的所述实时变化参数作为潜在风险参数，计算每个所述潜在风险参数与所述实际故障数据中对应数据之间的相似度，得到个历史风险相似度；
根据所述历史风险相似度计算第二风险评估值，计算公式为：
其中，为所述第二风险评估值，为所述潜在风险参数的索引值，为所述潜在风险参数的总数，为第个所述潜在风险参数对应的权重，为第个所述潜在风险参数对应的所述历史风险相似度，为第个所述潜在风险参数对应的灰尘覆盖率，为第个所述潜在风险参数对应的设备使用时间权重，为第个所述潜在风险参数对应的设备使用时间；
根据所述第一风险评估值和所述第二风险评估值计算所述风险评估值，计算公式为：
其中，为一组所述实时变化参数的所述风险评估值，为所述第一风险评估值的权重，为所述第二风险评估值的权重。
进一步地，根据所述实时变化参数得到误报预测标签包括：
根据所述误报数据训练误报识别模型，包括：根据所述误报数据识别导致误报发生的误报事件；根据所述误报事件将所述误报数据划分为多组标签误报数据，每组所述标签误报数据包括一个误报事件标签；根据所述关键事件将所述历史故障数据划分为多组标签历史故障数据，每组所述标签历史故障数据包括一个关键事件标签；根据所述误报事件标签和所述关键事件标签将多组所述标签历史故障数据和多组标签历史故障数据进行整合，得到多组整合数据；分别将每组所述整合数据分为训练集和测试集，使用所述训练集训练随机森林模型，所述随机森林模型基于特征参数进行训练，所述特征参数包括：电流、电压、温度、湿度、振动、灰尘覆盖率、设备表面图像的纹理特征及所述设备表面图像的颜色直方图；使用所述测试集对所述随机森林模型进行参数调优，达到指定训练条件后，得到所述误报识别模型；所述误报识别模型的输出为二分类标签，包括误报和非误报；
识别所述实时变化参数对应的所述关键事件，根据所述关键事件，将所述实时变化参数输入训练好的对应的所述误报识别模型。
进一步地，当所述风险评估值大于所述预设阈值且所述误报预测标签为非误报时，进行预警还包括：
将所述关键事件的触发结果、对应的所述实时变化参数、所述风险评估值以及所述系统采取的响应措施存入所述历史故障数据，用于后续的分析和系统优化。
与现有技术相比，本发明的有益效果为：
1、本发明提出了一种灰尘覆盖率预测模型，首先，预处理层对输入图像进行灰度化处理和噪声去除，为后续的图像分析提供了高质量的输入数据。设备区域分割层的引入以确保系统能够精确识别和分割出设备的表面区域，排除背景干扰，从而提升了灰尘检测的准确性，并减少了不必要的计算负担。接下来的灰尘检测层专注于已经分割出的设备表面区域，进一步提取灰尘相关特征，确保了灰尘区域的精确识别。灰尘覆盖率计算层整合前几层的处理结果，精确计算出灰尘覆盖率，最终通过输出层输出稳定可靠的结果。可以有效识别设备表面的灰尘积累情况，使配电柜的智能监测更加可靠。
2、该配电柜智能监测预警系统通过引入多维度特征参数和多层次风险评估机制，结合历史故障数据与设备使用情况，综合考虑设备运行参数、灰尘覆盖率、设备使用时间等多重因素，实现了更加精准的风险评估与预警。系统不仅提升了故障预测的准确性，还有效减少了因环境因素或设备老化导致的误报现象。此外，权重设置使系统能够灵活调整每个参数在风险评估中的影响，增强了评估的准确性和适应性；通过突出关键参数和其对应的设备，减少次要因素的干扰，显著降低误报的概率。同时，动态调整权重确保系统及时适应设备状态和环境变化，维持高效、准确的监测与预警能力，最终保障配电柜的安全稳定运行。
3、本发明通过将包含不同事件的整合数据分别训练成多个独立的误报识别模型，使得每个关键事件都能针对其特定的异常变化参数和特征进行专门识别。独立训练模型能够更准确地捕捉每个事件的特定模式，避免不同事件间特征混淆，进而提高识别的准确性。由于不同事件可能具有相似的参数特征但原因各异，分事件训练能够有效避免模型混淆不同事件特征的风险，从而确保模型在识别误报时更加精准。独立训练的模型能够更好地聚焦于某一类事件的特征和行为模式，提高学习效果，优化预测性能。分事件训练还便于对每个事件进行独立优化和调优，使模型更好地适应各自的数据集特征，提升泛化能力。通过准确的误报识别，该系统能够显著降低误报率，提升故障预警的准确性和及时性，确保配电柜运行的安全性和系统整体的可靠性。
附图说明
图1为本发明实施例提供的一种配电柜智能监测预警系统结构图；
图2为本发明实施例提供的灰尘覆盖率预测模型结构图；
图3为本发明实施例提供的一种配电柜智能监测预警方法流程图。
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。
实施例一
A厂区为一个大型制造厂区，其配电系统非常复杂，其中包含多个高压配电柜负责为不同的生产线供电。由于配电柜的长时间运行以及复杂的工业环境，配电柜内部设备容易受到环境影响，如温度升高、湿度波动以及灰尘积累，可能导致电气故障。为了确保生产线的连续稳定运行，应用了一种配电柜智能监测预警系统，对配电柜进行实时监测并发出预警。
一种配电柜智能监测预警系统，如图1所示，包括：
数据收集与处理模块，用于收集指定配电柜的历史故障数据，包括实际故障数据和误报数据；根据所述实际故障数据识别导致故障发生的关键事件；
关键事件指的是在配电柜运行过程中，导致设备故障或引发异常情况的特定事件。通过对历史故障数据的深入分析和评估，技术人员能够识别出这些关键事件，它们是由特定参数变化或环境因素引发的故障根源。识别关键事件的目的是在未来监测过程中针对类似情况进行重点关注，从而提高故障预警的准确性和及时性，确保配电柜的安全稳定运行。本实施例中，关键事件包括电压骤升、设备过热、设备振动异常、湿度超标、高温或低温环境的极端温度变化、环境中存在腐蚀性气体的暴露，以及液体泄漏等。这些关键事件根据监测的具体参数有所不同。系统通过分析历史故障数据，识别出这些关键事件，以便在未来监测中对类似事件进行预警，及时采取措施，避免故障再次发生。
参数设定与管理模块，用于根据所述实际故障数据，获取每个所述关键事件对应的一组异常变化参数；本实施例中，根据收集到的实际故障数据，系统会识别出每个关键事件（即导致设备故障的具体原因）所对应的一组异常变化参数。这些参数是由于具体关键事件在故障发生时出现异常的监测数据，例如，若关键事件为“某设备过热”。当设备由于散热不良或环境温度过高而出现过热情况时，可能出现以下异常变化：
温度参数：由于设备过热，设备表面的温度传感器会记录到异常升高的温度值。
电流参数：设备过热导致内部电阻增加，从而引起设备电流值异常升高或波动。
电压参数：过热影响设备的电压稳定性，导致电压出现异常波动或下降。
振动参数：过热还引发设备内部部件的热胀冷缩，引起设备的机械振动异常。
为每个所述关键事件定义一组初始采集参数，并根据所述关键事件的严重程度和历史发生频率，为每组所述初始采集参数设定优先级和采集频率；为每个所述关键事件设定发生的触发条件和影响时长；
对于初始采集参数，系统需要预先确定哪些具体的监测参数应被采集和分析，以便判断该关键事件是否已经发生。例如：设备过热关键事件的初始采集参数包括：设备表面的温度、电流、电压和设备的散热风扇转速等。电压骤升关键事件的初始采集参数包括：输入电压、输出电压和电流负载情况等。
实时数据采集模块，用于根据所述优先级和所述采集频率，实时采集多组所述初始采集参数，得到多组实时初始参数；判断所述实时初始参数是否满足对应的所述触发条件，若满足，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组实时变化参数；
在关键事件被识别和触发后，系统将根据预设的异常变化参数列表启动实时监测。在此期间，系统会在指定的影响时长内，针对每个异常变化参数，通过相应的传感器进行持续数据采集。所获取的这些数据即为实时变化参数。由于实时变化参数直接来源于指定的异常变化参数，因此两者在采集对象、采集方式以及数据类型上具有一一对应的关系。最终，通过这一实时监测过程，实时变化参数能够准确反映关键事件发生后的设备状态变化，确保系统能够及时做出风险评估和预警决策。
如表1所示，表1为根据所述实际故障数据中获取的各指标，其中，关键事件指可能导致设备故障或异常情况的特定事件；初始采集参数指在监测过程中系统需要实时采集的参数，以判断关键事件是否发生；影响时长为持续监测异常变化参数的时间段，用于确保关键事件的影响被充分捕捉。在本表格中，“触发条件（部分）”指的是初始采集参数中用于判断关键事件是否发生的一部分主要条件。由于某些关键事件的触发条件较为复杂，实际应用中可能涉及多个条件才能确定事件的发生，因此在表格中列出的仅为其中一些示例性的条件，并不涵盖所有可能的触发条件。
表1、关键事件监测与响应参数示例表
灰尘覆盖率计算模块，用于根据一组所述实时变化参数得到一组对应的灰尘覆盖率；
风险评估模块，用于根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值；
误报模型训练与识别模块，用于根据所述实时变化参数得到误报预测标签；
预警模块，用于当所述风险评估值大于预设阈值且所述误报预测标签为非误报时，进行预警。
进一步地，所述实时变化参数包括由高分辨率摄像头在对应的数据采集点处获取的设备表面图像；所述设备表面图像为获取对应参数的设备的表面图像，每张所述设备表面图像中仅包含一个设备。
每个实时变化参数都对应一个特定的参数采集设备。例如，湿度对应一个湿度传感器，可通过湿度传感器获取湿度这一参数，则系统中的高分辨率摄像头拍摄湿度传感器的表面图像，这张图像中仅包含湿度传感器，并将其作为实时变化参数输入系统中。
获取参数采集设备的表面图像不仅能够提供设备运行状态的数值数据，还能捕捉设备的外观状态，如灰尘积累等可能影响设备正常运行的外部因素。这些外观信息在单纯依赖参数数据时可能被忽略。通过将设备表面图像与参数数据相结合，系统能够更全面地评估设备的健康状况，提高故障诊断的准确性。此外，设备表面图像能够帮助识别和排除由环境因素（如灰尘遮挡传感器）引起的误报现象，从而进一步增强系统的可靠性和准确性。设备表面图像与对应参数的设备一一对应，确保了图像数据与参数数据的精确匹配，避免因图像中包含多个设备而导致的数据混淆。这种精准的映射关系有助于更有效地识别和诊断设备故障，提升系统的监测精度和预警的准确性。
进一步地，所述数据采集点处还配备有照明设备。
配备照明设备的数据采集点可以确保设备表面图像在各种光照条件下均能清晰拍摄，尤其是在光线较差或阴暗的环境中，这对于准确监测设备外观状态至关重要。照明设备的引入能够减少因光线不足导致的图像模糊或信息丢失，确保设备表面细节清晰可见，进而提高系统对灰尘积累的检测能力。
进一步地，根据一组所述实时变化参数得到一组对应的所述灰尘覆盖率包括：
将一组所述实时变化参数对应的一组设备表面图像输入训练好的灰尘覆盖率预测模型中，得到一组对应的所述灰尘覆盖率。
通过将一组实时变化参数对应的设备表面图像输入训练好的灰尘覆盖率预测模型，能够快速、精准地计算出设备表面的灰尘覆盖率。利用该模型，可以在不干扰设备正常运行的情况下实时监测灰尘累积情况，为后续计算风险评估值奠定数据基础。
进一步地，如图2所示，所述灰尘覆盖率预测模型包括：
输入层，用于接收所述设备表面图像；
预处理层，用于对所述设备表面图像进行灰度化处理和噪声去除；
设备区域分割层，用于识别和分割设备表面区域；
灰尘检测层，用于识别所述设备表面区域上的灰尘区域；
灰尘覆盖率计算层，用于计算灰尘区域在所述设备表面区域中所占的比例；
输出层，用于输出所述灰尘覆盖率。
作为本实施例中的一种可行方式，所述实际故障数据和所述误报数据在采集时均包含其对应的设备表面图像；首先对所述实际故障数据和所述误报数据中的每一张所述设备表面图像进行灰尘覆盖率标注，得到标注设备表面数据集；标注过程具体为：步骤1：标注设备表面区域，以确定模型需要关注的图像部分。这一步可以帮助模型忽略不相关的背景区域（如地面和墙壁等）。步骤2：在设备表面区域内，标注出灰尘的具体覆盖区域。
所述预处理层包含1个5x5的高斯卷积层，用于平滑图像，去除图像中的噪声。
设备区域分割层，用于识别和分割设备表面区域，排除背景（如地面、墙壁等）。
包括：卷积块1：包括3个3x3的卷积层，每层有32个过滤器，ReLU激活函数，后接1个2x2的最大池化层（MaxPooling）；卷积块2：包括3个3x3的卷积层，每层有64个过滤器，ReLU激活函数，后接1个2x2的最大池化层；输出层：使用1个1x1的卷积层进行通道压缩，并使用Sigmoid激活函数输出设备表面区域的二进制掩码（mask）。
灰尘检测层，用于识别所述设备表面区域上的灰尘区域。
包括：卷积块3：包括3个3x3的卷积层，每层有64个过滤器，ReLU激活函数，后接1个2x2的最大池化层，用于提取灰尘相关特征；卷积块4：包括3个3x3的卷积层，每层有128个过滤器，ReLU激活函数，用于捕捉更加复杂的灰尘模式；输出层：使用1个1x1的卷积层进行通道压缩，并使用Sigmoid激活函数输出灰尘区域的二进制掩码。
灰尘覆盖率计算层，用于计算灰尘区域在所述设备表面区域中所占的比例，包括：面积计算模块：通过统计灰尘区域掩码中的激活像素数，计算灰尘区域面积。
覆盖率计算模块：将灰尘区域面积除以设备表面区域面积，得到灰尘覆盖率。
输出层，用于输出所述灰尘覆盖率，包括：全连接层和激活函数。全连接层用于将灰尘覆盖率值转换为最终输出。选用多个全连接层，进行回归输出。激活函数用于输出灰尘覆盖率。
该灰尘覆盖率预测模型通过分析设备表面图像，能够精准地识别和计算设备表面上的灰尘覆盖率，从而提供关于设备表面清洁度的重要信息。通过引入预处理、区域分割和灰尘检测等步骤，该模型能够有效消除图像中的噪声和干扰，确保灰尘检测的准确性。计算得到的灰尘覆盖率可以帮助系统更早发现由于灰尘积累可能导致的潜在问题，避免因灰尘覆盖而引发的设备故障或误报现象。通过提供一个定量的灰尘覆盖率指标，系统可以更好地评估设备表面状况，支持更精准的预防性维护和故障预警决策，从而显著提升系统的可靠性和预警能力。
进一步地，获取每个所述关键事件对应的一组所述异常变化参数包括：
从所述实际故障数据中提取多维度特征参数，包括电流、电压、温度、湿度、振动和设备表面图像特征，并利用Granger因果分析对所述多维度特征参数进行分析，确定各所述多维度特征参数之间的因果关系，识别出因所述关键事件导致的显著参数变化，得到K个显著变化参数，本实施例中K1，所述显著变化参数的集合构成每个所述关键事件对应的一组所述异常变化参数。
通过引入Granger因果分析对多维度特征参数进行分析，系统能够准确识别各特征参数之间的因果关系，进而精确确定由关键事件引发的显著参数变化。这种方法不仅提高了异常变化参数识别的准确性，还能够有效过滤无关或噪声数据，确保所提取的异常变化参数与关键事件的高度相关性。最终，这种基于因果关系的参数提取方法有助于更精准地定位潜在风险因素，提高故障预警的可靠性和准确性，从而增强配电柜的安全性和系统的稳定性。
进一步地，若所述实时初始参数满足对应的所述触发条件，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组所述实时变化参数还包括：立即发出潜在风险预警，提示已发生所述关键事件。
通过在实时初始参数满足触发条件时立即发出潜在风险预警，本发明能够在关键事件发生的早期阶段快速响应，提示已发生的关键事件。这样可以在异常变化参数进一步演变为严重故障之前，及时采取预防性措施，减少潜在的损害。该机制确保了对异常情况的早期识别和处理，提高了系统的反应速度和安全性，从而有效降低了事故风险，保障了配电柜的安全运行。
进一步地，根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值包括：
获取所述配电柜未发生故障时的日常维护数据；从所述日常维护数据中提取每个所述异常变化参数对应的正常波动范围，建立基线参考标准；所述基线参考标准包括每个所述异常变化参数的均值、方差和标准差；基于所述基线参考标准，为每个所述异常变化参数设定阈值；
将未超出对应所述阈值的所述实时变化参数作为安全参数，计算所述安全参数的第一风险评估值，计算公式为：
其中，为所述第一风险评估值，为所述安全参数的索引，为所述安全参数的总数，为固定值，为第个所述安全参数对应的灰尘覆盖率权重，为第个所述安全参数对应的灰尘覆盖率；为第个所述安全参数对应的设备使用时间权重，为第个所述安全参数对应的设备使用时间；
将超出对应所述阈值的所述实时变化参数作为潜在风险参数，计算每个所述潜在风险参数与所述实际故障数据中对应数据之间的相似度，得到个历史风险相似度；
根据所述历史风险相似度计算第二风险评估值，计算公式为：
其中，为所述第二风险评估值，为所述潜在风险参数的索引值，为所述潜在风险参数的总数，为第个所述潜在风险参数对应的权重，为第个所述潜在风险参数对应的所述历史风险相似度，为第个所述潜在风险参数对应的灰尘覆盖率，为第个所述潜在风险参数对应的设备使用时间权重，为第个所述潜在风险参数对应的设备使用时间；
根据所述第一风险评估值和所述第二风险评估值计算所述风险评估值，计算公式为：
其中，为一组所述实时变化参数的所述风险评估值，为所述第一风险评估值的权重，为所述第二风险评估值的权重。
本发明通过引入多层次的风险评估机制，并结合安全参数和潜在风险参数的加权计算，实现了对配电柜运行状态的精准评估。通过将实时变化参数与历史数据进行比对，系统能够有效识别潜在的风险因素。此外，评估过程中还将设备的灰尘覆盖率和使用时间等关键影响因素纳入考量，进一步提升了风险评估的准确性。灰尘覆盖率反映了设备表面状况和环境对设备运行的影响，通过监测灰尘覆盖率，系统能够提前识别由于灰尘积累引发的潜在问题，从而预防故障的发生。设备使用时间则是另一个重要因素，随着使用时间的增加，用于获取参数的设备元件可能会出现老化和磨损，导致故障风险增加。因此，将使用时间纳入评估有助于更准确地判断设备的健康状态和预测故障发生的可能性。通过综合考虑设备运行中的多个关键参数，并分配不同的权重，系统能够灵活调整各参数在整体风险评估中的贡献，使得潜在故障的识别更加精准，有效提升了系统的预警能力，保障了设备的安全运行。
进一步地，根据所述实时变化参数得到误报预测标签包括：
根据所述误报数据训练误报识别模型，包括：
根据所述误报数据识别导致误报发生的误报事件；根据所述误报事件将所述误报数据划分为多组标签误报数据，每组所述标签误报数据包括一个误报事件标签；根据所述关键事件将所述历史故障数据划分为多组标签历史故障数据，每组所述标签历史故障数据包括一个关键事件标签；根据所述误报事件标签和所述关键事件标签将多组所述标签历史故障数据和多组标签历史故障数据进行整合，得到多组整合数据；分别将每组所述整合数据分为训练集和测试集，使用所述训练集训练随机森林模型，所述随机森林模型基于特征参数进行训练，所述特征参数包括：电流、电压、温度、湿度、振动、灰尘覆盖率、设备表面图像的纹理特征及所述设备表面图像的颜色直方图；使用所述测试集对所述随机森林模型进行参数调优，达到指定训练条件后，得到所述误报识别模型；所述误报识别模型的输出为二分类标签，包括误报和非误报；
本实施例中指定训练条件为模型在100次迭代内误差降低到0.01以内，且在连续10次迭代中误差变化幅度不超过0.001。
识别所述实时变化参数对应的所述关键事件，根据所述关键事件，将所述实时变化参数输入训练好的对应的所述误报识别模型。
本实施例中，误报模型训练与识别模块包括误报模型训练单元和误报识别单元；
误报模型训练单元用于根据所述误报数据训练误报识别模型；
误报识别单元用于识别所述实时变化参数对应的所述关键事件，根据所述关键事件，将所述实时变化参数输入训练好的对应的所述误报识别模型。
本发明通过将包含不同事件的整合数据分别训练成多个独立的误报识别模型，使得每个关键事件能够针对其特定的异常变化参数和特征进行专门识别。这种独立训练方式有助于更准确地捕捉每个事件的特定模式，减少事件间的特征混淆，提高识别的准确性。分事件训练能够防止模型在处理相似特征但不同原因的事件时产生混淆，使得模型在误报识别时更加精准。通过这种方法，模型更聚焦于特定事件的特征，优化了学习效果和预测性能，从而有效降低系统误报率，提升故障预警的准确性。
进一步地，当所述风险评估值大于所述预设阈值且所述误报预测标签为非误报时，进行预警还包括：
将所述关键事件的触发结果、对应的所述实时变化参数、所述风险评估值以及所述系统采取的响应措施存入所述历史故障数据，用于后续的分析和系统优化。
这种数据存储和记录机制为后续的故障分析和系统优化提供了丰富的数据支持。通过分析这些记录，系统能够不断优化预警阈值、误报识别模型和响应措施，从而提升整个系统的智能化程度和反应能力，进一步减少未来的故障发生率，提高预警的准确性和及时性，增强配电柜运行的安全性和可靠性。
在本实施例中，所述实时变化参数是根据所述异常变化参数采集的，并与每个异常变化参数一一对应的实时参数。
本实施例中，A厂区共有580台配电柜，为了验证本发明的配电柜智能监测预警系统中误报识别模型的效果，将这些配电柜随机分为两组，每组包含290台配电柜。组1的配电柜使用本系统进行智能监测预警；另一组配电柜（组2）则使用不包含误报识别模型的系统（其他设计与本系统相同）。在一段时间内对两组配电柜的运行状况进行监测和记录，统计每组配电柜在关键事件中的实际故障数、误报数和故障识别率，并计算两组配电柜的平均数据。
表2、配电柜故障识别与预警对比实验结果表
通过表2中组1数据与组2数据间的对比可以看出，包含误报识别模型的系统在误报次数显著减少的同时，提高了故障识别的准确性，成功识别的故障次数和平均故障识别率都优于不包含误报识别模型的系统。这表明引入误报识别模型能够有效提升配电柜智能监测预警系统的性能，使其更加可靠和精准。
该配电柜智能监测预警系统通过事件驱动的设计理念，能够精准识别和监测与关键事件相关的异常变化参数，大幅提升了故障预警的精准度和及时性。系统以历史故障数据和误报数据为基础，针对每个关键事件定制初始采集参数和实时监测方案，确保了资源的高效利用和重点参数的精准监控。此外，通过引入误报识别模型，系统能够有效过滤误报信息，减少不必要的警报，提高预警的可靠性。实时数据采集模块、灰尘覆盖率计算模块和风险评估模块的联动，使系统在不同工况下具备动态调整能力，实现对不同参数及对应设备的灵活评估，进一步保障配电柜的安全运行和系统整体的稳定性。
实施例二
在B厂区，一座拥有多栋高层建筑的大型商业综合体中，配电柜负责为不同楼层的照明、空调、电梯和办公设备供电。由于配电柜分布广泛且维护难度大，加之空调系统频繁启停，电流和温度波动较大，容易引发电气故障。为保障商业综合体的安全运营，B厂区应用了一种配电柜智能监测预警方法，且部署了配电柜智能监测预警系统，实时监控各配电柜的运行状态，特别是针对空调系统运行期间的关键事件进行异常检测，以及时预警潜在风险，避免因电气故障造成的安全隐患和经济损失。
一种配电柜智能监测预警系统，包括：
数据收集与处理模块，用于收集指定配电柜的历史故障数据，包括实际故障数据和误报数据；根据所述实际故障数据识别导致故障发生的关键事件；
参数设定与管理模块，用于根据所述实际故障数据，获取每个所述关键事件对应的一组异常变化参数；为每个所述关键事件定义一组初始采集参数，并根据所述关键事件的严重程度和历史发生频率，为每组所述初始采集参数设定优先级和采集频率；为每个所述关键事件设定发生的触发条件和影响时长；
实时数据采集模块，用于根据所述优先级和所述采集频率，实时采集多组所述初始采集参数，得到多组实时初始参数；判断所述实时初始参数是否满足对应的所述触发条件，若满足，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组实时变化参数；
灰尘覆盖率计算模块，用于根据一组所述实时变化参数得到一组对应的灰尘覆盖率；
风险评估模块，用于根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值；
误报模型训练与识别模块，用于根据所述实时变化参数得到误报预测标签；
预警模块，用于当所述风险评估值大于预设阈值且所述误报预测标签为非误报时，进行预警。
进一步地，所述实时变化参数包括由高分辨率摄像头在对应的数据采集点处获取的设备表面图像；所述设备表面图像为获取对应参数的设备的表面图像，每张所述设备表面图像中仅包含一个设备。
进一步地，所述数据采集点处还配备有照明设备。
进一步地，根据一组所述实时变化参数得到一组对应的所述灰尘覆盖率包括：
将一组所述实时变化参数对应的一组设备表面图像输入训练好的灰尘覆盖率预测模型中，得到一组对应的所述灰尘覆盖率。
进一步地，所述灰尘覆盖率预测模型包括：
输入层，用于接收所述设备表面图像；
预处理层，用于对所述设备表面图像进行灰度化处理和噪声去除；
设备区域分割层，用于识别和分割设备表面区域；
灰尘检测层，用于识别所述设备表面区域上的灰尘区域；
灰尘覆盖率计算层，用于计算灰尘区域在所述设备表面区域中所占的比例；
输出层，用于输出所述灰尘覆盖率。
进一步地，获取每个所述关键事件对应的一组所述异常变化参数包括：
从所述实际故障数据中提取多维度特征参数，包括电流、电压、温度、湿度、振动和设备表面图像特征，并利用Granger因果分析对所述多维度特征参数进行分析，确定各所述多维度特征参数之间的因果关系，识别出因所述关键事件导致的显著参数变化，得到K个显著变化参数，所述显著变化参数的集合构成每个所述关键事件对应的一组所述异常变化参数。
进一步地，若所述实时初始参数满足对应的所述触发条件，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组所述实时变化参数还包括：立即发出潜在风险预警，提示已发生所述关键事件。
进一步地，根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值包括：
获取所述配电柜未发生故障时的日常维护数据；从所述日常维护数据中提取每个所述异常变化参数对应的正常波动范围，建立基线参考标准；所述基线参考标准包括每个所述异常变化参数的均值、方差和标准差；基于所述基线参考标准，为每个所述异常变化参数设定阈值；
将未超出对应所述阈值的所述实时变化参数作为安全参数，计算所述安全参数的第一风险评估值，计算公式为：
其中，为所述第一风险评估值，为所述安全参数的索引，为所述安全参数的总数，为固定值，为第个所述安全参数对应的灰尘覆盖率权重，为第个所述安全参数对应的灰尘覆盖率；为第个所述安全参数对应的设备使用时间权重，为第个所述安全参数对应的设备使用时间；
将超出对应所述阈值的所述实时变化参数作为潜在风险参数，计算每个所述潜在风险参数与所述实际故障数据中对应数据之间的相似度，得到个历史风险相似度；
根据所述历史风险相似度计算第二风险评估值，计算公式为：
其中，为所述第二风险评估值，为所述潜在风险参数的索引值，为所述潜在风险参数的总数，为第个所述潜在风险参数对应的权重，为第个所述潜在风险参数对应的所述历史风险相似度，为第个所述潜在风险参数对应的灰尘覆盖率，为第个所述潜在风险参数对应的设备使用时间权重，为第个所述潜在风险参数对应的设备使用时间；
根据所述第一风险评估值和所述第二风险评估值计算所述风险评估值，计算公式为：
其中，为一组所述实时变化参数的所述风险评估值，为所述第一风险评估值的权重，为所述第二风险评估值的权重。
进一步地，根据所述实时变化参数得到误报预测标签包括：
根据所述误报数据训练误报识别模型，包括：
根据所述误报数据识别导致误报发生的误报事件；根据所述误报事件将所述误报数据划分为多组标签误报数据，每组所述标签误报数据包括一个误报事件标签；根据所述关键事件将所述历史故障数据划分为多组标签历史故障数据，每组所述标签历史故障数据包括一个关键事件标签；根据所述误报事件标签和所述关键事件标签将多组所述标签历史故障数据和多组标签历史故障数据进行整合，得到多组整合数据；分别将每组所述整合数据分为训练集和测试集，使用所述训练集训练随机森林模型，所述随机森林模型基于特征参数进行训练，所述特征参数包括：电流、电压、温度、湿度、振动、灰尘覆盖率、设备表面图像的纹理特征及所述设备表面图像的颜色直方图；使用所述测试集对所述随机森林模型进行参数调优，达到指定训练条件后，得到所述误报识别模型；所述误报识别模型的输出为二分类标签，包括误报和非误报；
识别所述实时变化参数对应的所述关键事件，根据所述关键事件，将所述实时变化参数输入训练好的对应的所述误报识别模型。
进一步地，当所述风险评估值大于所述预设阈值且所述误报预测标签为非误报时，进行预警还包括：
将所述关键事件的触发结果、对应的所述实时变化参数、所述风险评估值以及所述系统采取的响应措施存入所述历史故障数据，用于后续的分析和系统优化。
在本实施例中，B厂区应用的一种配电柜智能监测预警方法流程如图3所示。
该配电柜智能监测预警系统通过事件驱动的方式，首先，系统能够根据实际故障数据识别关键事件，并针对这些事件设置初始采集参数和触发条件。通过实时数据的动态采集和分析，系统能够在关键事件发生时迅速捕捉到异常变化参数，并根据这些参数计算风险评估值。误报识别模型的引入进一步减少了误报的可能性，确保预警的准确性。此外，系统还将历史故障数据与实时变化参数结合存储，便于后续的分析与优化，提高了系统的自我学习和优化能力。
为了验证本发明中配电柜智能监测预警系统在事件驱动方式下的优越性，进行了对比实验，比较了该系统与传统全面预警系统在多个维度上的性能表现。
在实验中，随机选取了多个配电柜，分别应用事件驱动型预警系统和全面预警系统，并对两种系统的预警触发频率、误报率、响应速度、系统资源利用率，以及故障检测准确性进行了监测和记录。实验持续了三个月，以确保数据的充分性和代表性。
表3、事件驱动型预警与全面预警的对比实验表
如表3所示，实验结果表明，事件驱动型预警系统在多个关键性能指标上显著优于全面预警系统。事件驱动型系统的预警触发频率和误报率更低，系统资源利用率和数据采集量也更加高效。同时，事件驱动型系统的平均响应时间仅为1秒，大大快于全面预警系统的5秒，异常预警准确率高达95%。此外，事件驱动型系统的平均维护成本更低，故障漏检率更低，系统负载也更轻。这些结果表明，事件驱动型预警系统在提高监测精准性和效率的同时，显著降低了系统维护成本和资源消耗。
与以往的全面预警系统不同，该配电柜智能监测预警系统通过事件驱动的方式进行预警管理，而不是对所有参数进行持续的全覆盖监测。传统的全面预警系统倾向于同时监测所有参数，无论其重要性如何，这不仅导致了系统资源的过度消耗，还增加了误报的概率。而本系统通过聚焦于关键事件，根据实际故障数据设置初始采集参数和触发条件，实现了更为精准的监测。
事件驱动的预警方式允许系统在关键事件发生时迅速响应，仅捕捉到与事件相关的异常变化参数，计算出相应的风险评估值。这种事件驱动的参数监测方式避免了不必要的监测，更加具有针对性。相较于传统全面预警中可能出现的大量误报和冗余数据，该系统引入了误报识别模型，有效减少了误报的可能性，进一步提升了预警的准确性。此外，系统将历史故障数据与实时变化参数结合存储，使得后续的分析和优化更加便捷，逐步提高系统的自我学习和优化能力，从而进一步增强了系统的智能化和可靠性。
这种方法避免了全面预警系统中存在的资源浪费和误报问题，使得预警更加高效和精准，特别适用于需要高度可靠和实时响应的配电箱智能监测场景。
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 (8)
1.一种配电柜智能监测预警系统，其特征在于，包括：
数据收集与处理模块，用于收集指定配电柜的历史故障数据，包括实际故障数据和误报数据；根据所述实际故障数据识别导致故障发生的关键事件；
参数设定与管理模块，用于根据所述实际故障数据，获取每个所述关键事件对应的一组异常变化参数；为每个所述关键事件定义一组初始采集参数，并根据所述关键事件的严重程度和历史发生频率，为每组所述初始采集参数设定优先级和采集频率；为每个所述关键事件设定发生的触发条件和影响时长；
实时数据采集模块，用于根据所述优先级和所述采集频率，实时采集多组所述初始采集参数，得到多组实时初始参数；判断所述实时初始参数是否满足对应的所述触发条件，若满足，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组实时变化参数；
灰尘覆盖率计算模块，用于根据一组所述实时变化参数得到一组对应的灰尘覆盖率；
风险评估模块，用于根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值；
误报模型训练与识别模块，用于根据所述实时变化参数得到误报预测标签；
预警模块，用于当所述风险评估值大于预设阈值且所述误报预测标签为非误报时，进行预警；
进一步地，根据一组所述实时变化参数和对应的所述灰尘覆盖率计算风险评估值包括：
获取所述配电柜未发生故障时的日常维护数据；从所述日常维护数据中提取每个所述异常变化参数对应的正常波动范围，建立基线参考标准；所述基线参考标准包括每个所述异常变化参数的均值、方差和标准差；基于所述基线参考标准，为每个所述异常变化参数设定阈值；
将未超出对应所述阈值的所述实时变化参数作为安全参数，计算所述安全参数的第一风险评估值，计算公式为：
其中，Rnormal为所述第一风险评估值，i为所述安全参数的索引，N为所述安全参数的总数，pnormal为固定值，为第i个所述安全参数对应的灰尘覆盖率权重，Ci为第i个所述安全参数对应的灰尘覆盖率；为第i个所述安全参数对应的设备使用时间权重，Ti为第i个所述安全参数对应的设备使用时间；
将超出对应所述阈值的所述实时变化参数作为潜在风险参数，计算每个所述潜在风险参数与所述实际故障数据中对应数据之间的相似度，得到M个历史风险相似度；
根据所述历史风险相似度计算第二风险评估值，计算公式为：
其中，Rrisk为所述第二风险评估值，j为所述潜在风险参数的索引值，M为所述潜在风险参数的总数，ωj为第j个所述潜在风险参数对应的权重，pj为第j个所述潜在风险参数对应的所述历史风险相似度，Cj为第j个所述潜在风险参数对应的灰尘覆盖率，为第j个所述潜在风险参数对应的设备使用时间权重，Tj为第j个所述潜在风险参数对应的设备使用时间；
根据所述第一风险评估值和所述第二风险评估值计算所述风险评估值，计算公式为：
R＝α·Rnormal+β·Rrisk；
α+β＝1；
其中，R为一组所述实时变化参数的所述风险评估值，α为所述第一风险评估值的权重，β为所述第二风险评估值的权重；
进一步地，根据所述实时变化参数得到误报预测标签包括：
根据所述误报数据训练误报识别模型，包括：根据所述误报数据识别导致误报发生的误报事件；根据所述误报事件将所述误报数据划分为多组标签误报数据，每组所述标签误报数据包括一个误报事件标签；根据所述关键事件将所述历史故障数据划分为多组标签历史故障数据，每组所述标签历史故障数据包括一个关键事件标签；根据所述误报事件标签和所述关键事件标签将多组所述标签历史故障数据和多组标签历史故障数据进行整合，得到多组整合数据；分别将每组所述整合数据分为训练集和测试集，使用所述训练集训练随机森林模型，所述随机森林模型基于特征参数进行训练，所述特征参数包括：电流、电压、温度、湿度、振动、灰尘覆盖率、设备表面图像的纹理特征及所述设备表面图像的颜色直方图；使用所述测试集对所述随机森林模型进行参数调优，达到指定训练条件后，得到所述误报识别模型；所述误报识别模型的输出为二分类标签，包括误报和非误报；
识别所述实时变化参数对应的所述关键事件，根据所述关键事件，将所述实时变化参数输入训练好的对应的所述误报识别模型。
2.根据权利要求1所述的一种配电柜智能监测预警系统，其特征在于，所述实时变化参数包括由高分辨率摄像头在对应的数据采集点处获取的设备表面图像；所述设备表面图像为获取对应参数的设备的表面图像，每张所述设备表面图像中仅包含一个设备。
3.根据权利要求2所述的一种配电柜智能监测预警系统，其特征在于，所述数据采集点处还配备有照明设备。
4.根据权利要求1所述的一种配电柜智能监测预警系统，其特征在于，根据一组所述实时变化参数得到一组对应的所述灰尘覆盖率包括：
将一组所述实时变化参数对应的一组设备表面图像输入训练好的灰尘覆盖率预测模型中，得到一组对应的所述灰尘覆盖率。
5.根据权利要求4所述的一种配电柜智能监测预警系统，其特征在于，所述灰尘覆盖率预测模型包括：
输入层，用于接收所述设备表面图像；
预处理层，用于对所述设备表面图像进行灰度化处理和噪声去除；
设备区域分割层，用于识别和分割设备表面区域；
灰尘检测层，用于识别所述设备表面区域上的灰尘区域；
灰尘覆盖率计算层，用于计算灰尘区域在所述设备表面区域中所占的比例；
输出层，用于输出所述灰尘覆盖率。
6.根据权利要求1所述的一种配电柜智能监测预警系统，其特征在于，获取每个所述关键事件对应的一组所述异常变化参数包括：
从所述实际故障数据中提取多维度特征参数，包括电流、电压、温度、湿度、振动和设备表面图像特征，并利用Granger因果分析对所述多维度特征参数进行分析，确定各所述多维度特征参数之间的因果关系，识别出因所述关键事件导致的显著参数变化，得到K个显著变化参数，所述显著变化参数的集合构成每个所述关键事件对应的一组所述异常变化参数。
7.根据权利要求1所述的一种配电柜智能监测预警系统，其特征在于，若所述实时初始参数满足对应的所述触发条件，在对应的所述影响时长内持续采集所述关键事件对应的一组所述异常变化参数，得到一组所述实时变化参数还包括：立即发出潜在风险预警，提示已发生所述关键事件。
8.根据权利要求1所述的一种配电柜智能监测预警系统，其特征在于，当所述风险评估值大于所述预设阈值且所述误报预测标签为非误报时，进行预警还包括：
将所述关键事件的触发结果、对应的所述实时变化参数、所述风险评估值以及所述系统采取的响应措施存入所述历史故障数据，用于后续的分析和系统优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411345176.0A CN118889692B (zh) | 2024-09-26 | 2024-09-26 | 一种配电柜智能监测预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411345176.0A CN118889692B (zh) | 2024-09-26 | 2024-09-26 | 一种配电柜智能监测预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118889692A CN118889692A (zh) | 2024-11-01 |
| CN118889692B true CN118889692B (zh) | 2025-01-24 |
Family
ID=93219558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411345176.0A Active CN118889692B (zh) | 2024-09-26 | 2024-09-26 | 一种配电柜智能监测预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118889692B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391443A (zh) * | 2023-10-19 | 2024-01-12 | 应急管理部大数据中心 | 除尘设备状态监测预警方法及系统 |
| CN117477774A (zh) * | 2023-10-30 | 2024-01-30 | 安徽富煌电力装备科技有限公司 | 用于多功能配电柜的智能预警系统及预警方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10673372B2 (en) * | 2017-12-08 | 2020-06-02 | International Business Machines Corporation | Cognitively predicting dust deposition on solar photovoltaic modules |
| CN111581196A (zh) * | 2020-04-29 | 2020-08-25 | 深圳市双合电气股份有限公司 | 基于智能工厂框架的供配用电网智能数据采集整理系统 |
| CN118013407A (zh) * | 2024-01-25 | 2024-05-10 | 西安力传智能技术有限公司 | 一种变电站状态检测方法、装置、设备及可读存储介质 |
-
2024
- 2024-09-26 CN CN202411345176.0A patent/CN118889692B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391443A (zh) * | 2023-10-19 | 2024-01-12 | 应急管理部大数据中心 | 除尘设备状态监测预警方法及系统 |
| CN117477774A (zh) * | 2023-10-30 | 2024-01-30 | 安徽富煌电力装备科技有限公司 | 用于多功能配电柜的智能预警系统及预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118889692A (zh) | 2024-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111734885B (zh) | 一种换流阀在线监测与评估的方法及系统 | |
| WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
| CN111582235A (zh) | 用于实时监控站内异常事件的警报方法、系统及设备 | |
| CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
| CN117791876A (zh) | 变电设备运行状态监测方法及异常管控系统 | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN118760013A (zh) | 一种智能建筑设备监控预警系统及方法 | |
| CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及系统 | |
| CN118842176A (zh) | 基于智能变电站运维管理系统及方法 | |
| CN117713381A (zh) | 一种便于检修的配电柜系统 | |
| CN118889692B (zh) | 一种配电柜智能监测预警系统 | |
| CN118405025B (zh) | 一种消防车电池管理系统 | |
| CN118569617A (zh) | 一种基于计算机视觉目标检测的智慧电厂管控系统及管控方法 | |
| CN117695573A (zh) | 搭载自动灭火防护系统的无线测温预警型高压控制系统 | |
| CN118393293A (zh) | 一种基于小目标检测的局部放电检测方法和系统 | |
| CN117725478A (zh) | 一种基于消防联动的电缆保护预测管理系统及方法 | |
| CN117994909A (zh) | 一种基于视频识别和智能地钉的地下电缆监测系统和方法 | |
| CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 | |
| CN115171319A (zh) | 电气火灾预警系统、方法、电子设备及存储介质 | |
| CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
| CN112329958A (zh) | 一种管廊內电缆移动感知辅助分析方法 | |
| CN118247735B (zh) | 基于物联网的工业美术产品贮存装置及其防护系统 | |
| CN119417450A (zh) | 一种设备间故障确定方法、装置、设备及存储介质 | |
| US20240412617A1 (en) | Systems and methods for anomaly detection of physical assets | |
| CN117613822B (zh) | 变频器快速停机方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |