一种用于智能电网的设备检测系统的制作方法

1.本发明属于智能电网领域，涉及用于智能电网的设备检测技术，具体是一种用于智能电网的设备检测系统。


背景技术：

2.随着电力设备故障检测技术的发展，人们已经在一定程度上克服了传统检测技术静态停机检查和机械全方位人工检测的缺点。在机器视觉、人工智能等技术的加持下，可以在一定程度上实现系统的自动检测校准，降低检测成本。
3.现有的设备检测技术一般是采集电力设备的多源数据，基于人工智能技术对多源数据进行分析，判断电力设备是否出现异常；虽然能够快速准确地识别出电力设备的故障，但是难以预测电力设备的运行状态以及识别出各电力设备之间的相互影响，无法对智能电网进行有效的故障预警；因此，亟须一种用于智能电网的设备检测系统。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种用于智能电网的设备检测系统，用于解决现有技术难以预测电力设备的运行状态，无法识别出各电力设备间的相互影响，导致故障预警效率低的技术问题。
5.为实现上述目的，本发明的第一方面提供了一种用于智能电网的设备检测系统，包括中枢控制模块，以及与之相连接的数据采集模块和检测展示模块；
6.中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储；提取并分析电力多源数据，判断是否发生数据异变；是，则提取异变点作为特征点；否，则持续判断；以及
7.以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常；是，则结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型；
8.检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，并通过智能终端预警。
9.优选的，所述中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储，包括：
10.确定数据存储周期；其中，数据存储周期根据电力设备的数据分析过程设置；
11.通过与数据采集模块相连接的若干类型数据传感器持续采集各电力设备的电力多源数据；其中，电力多源数据包括电压或者电流；
12.根据数据存储周期对采集的电力多源数据进行存储和覆盖更新。
13.优选的，所述提取并分析电力多源数据，判断是否发生数据异变，包括：
14.基于电力多源数据构建数据变化曲线；其中，数据变化曲线包括电压变化曲线或者电流变化曲线；
15.根据数据变化曲线判断电力设备的电流或者电压是否存在数据异变；其中，数据异变包括有效值突变或者峰值突变。
16.优选的，所述以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常，包括：
17.确定电力设备的特征点，根据特征点对应时刻从电力多源数据中提取前后若干周期的电力数据；其中，电力数据包括电压或者电流；
18.提取电力数据的目标数据，按照采集顺序整合目标数据生成一级预测序列，结合人工智能模型预测电力设备是否异常；其中，目标数据包括有效值或者峰值。
19.优选的，所述结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型，包括：
20.当电力设备预测异常时，则将与之相连接的电力设备标记为二级设备；
21.根据特征点对应时刻从二级设备的电力多源数据中提取前后若干周期的电力数据，按照采集顺序整合成二级预测序列；
22.将二级预测序列与人工智能模型结合确定故障类型。
23.优选的，所述人工智能模型包括bp神经网络模型或者rbf神经网络模型；并通过根据历史经验数据或者实验模拟数据获取的标准训练数据进行训练；
24.所述标准训练数据包括模型输入数据以及对应的模型输出数据；其中，模型输入数据与一级预测序列或者二级预测序列的内容属性一致。
25.优选的，所述检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，包括：
26.获取智能电网中各电力设备的连接关系，建立设备拓扑模型；
27.在设备拓扑模型中实时更新标记各电力设备的运行状态，并通过智能终端对故障的电力设备进行预警；其中，运行状态包括正常运行、故障以及故障类型。
28.优选的，所述中枢控制模块分别与数据采集模块和检测展示模块通信和/或电气连接；且所述检测展示模块与智能终端通信和/或电气连接；
29.所述数据采集模块与若干类型数据传感器通信和/或电气连接；其中，数据传感器包括电压传感器或者电流传感器。
30.与现有技术相比，本发明的有益效果是：
31.1.本发明先根据电力多源数据预测电力设备是否会发生故障，接着确定二级设备，根据二级设备的电力多源数据挖掘出对目标电力设备的影响，进而判断故障类型；本发明综合考虑了智能电网中各电力设备之间的相互影响，能够更加准确地判断出电力设备的故障类型。
32.2.本发明根据数据异变确定特征点，以特征点为界限调取电力多源数据并生成一级预测序列，结合人工智能模型来预测电力设备是否会发生故障；本发明根据前后的数据变化规律来预测是否故障，能够提高预测精度。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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
发明的一些实施例，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。
34.图1为本发明的系统原理示意图；
35.图2为本发明的工作步骤示意图。
具体实施方式
36.下面将结合实施例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它实施例，都属于本发明保护的范围。
37.请参阅图1-图2，本发明第一方面实施例提供了一种用于智能电网的设备检测系统，包括中枢控制模块，以及与之相连接的数据采集模块和检测展示模块；中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储；提取并分析电力多源数据，判断是否发生数据异变；是，则提取异变点作为特征点；否，则持续判断；以及以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常；是，则结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型；检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，并通过智能终端预警。
38.本发明中中枢控制模块分别与数据采集模块和检测展示模块通信和/或电气连接；且检测展示模块与智能终端通信和/或电气连接；数据采集模块与若干类型数据传感器通信和/或电气连接。
39.中枢控制模块主要负责数据处理以及设备拓扑模型的构建，与数据采集模块、检测展示模块进行数据交互。数据采集模块主要负责数据采集，与各种类型的数据传感器进行数据交互。检测展示模块主要用于展示检测结果，并通过智能终端(手机或者电脑等)来对异常情况进行预警。本发明中的数据传感器包括电压传感器或者电流传感器等，主要用来持续采集电力设备的各项电力数据，通过这些电力多源数据的变化来识别出电力设备的故障。
40.在一个优选的实施例中，中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储，包括：确定数据存储周期；通过与数据采集模块相连接的若干类型数据传感器持续采集各电力设备的电力多源数据；根据数据存储周期对采集的电力多源数据进行存储和覆盖更新。
41.智能电网中电力设备检测的基础是合适的数据，也就是本发明中的电力多源数据。为了降低整个系统的存储成本，需要设置数据存储周期来及时删除对电力设备检测分析无用的历史数据。本发明持续进行数据采集，也同时根据数据存储周期用新采集的数据来覆盖更新旧的数据。
42.需要说明的是，本实施例中的数据存储周期根据电力设备的数据分析过程设置。基于数据存储周期存储的电力多源数据至少能够生成完整的一次预测序列，不过为了确保预测准确性，最好是能够生成不少于一个一次预测序列。
43.电力多源数据(如电压、电流等)的异变避免电力设备可能存在故障或者故障隐患。因此通过电力设备对应的电力多源数据进行初步判断。提取并分析电力多源数据，判断是否发生数据异变，包括：基于电力多源数据构建数据变化曲线；根据数据变化曲线判断电力设备的电流或者电压是否存在数据异变。
44.根据电力设备对应的电力多源数据构建数据变化曲线，如电流变化曲线和电压变化曲线；当数据变化曲线与标准曲线不一致，或者数据变化曲线呈现不正常的非周期变化时，则会引起数据异变，此时可以判断电力设备可能发生异常。需要注意的是，这里的异常包括电力设备的异常以及其他电力设备异常对该电力设备的影响。当电力设备的异常持续存在且影响正常工作时，可及时进行预警；而当前不影响工作时，则需要预测电力设备未来是否会发生故障。
45.以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常，包括：确定电力设备的特征点，根据特征点对应时刻从电力多源数据中提取前后若干周期的电力数据；提取电力数据的目标数据，按照采集顺序整合目标数据生成一级预测序列，结合人工智能模型预测电力设备是否异常。
46.将发生数据异变的点作为特征点，从对应电力设备的电力多源数据中提取该特征点前后若干周期(数据变化周期)的电力数据，从电力数据中提取目标数据之后按照顺序生成一级预测序列。举例说明：确定特征点之后，提取特征点之前五个周期的电压有效值和电流有效值以及之后三个周期的电压有效值和电流有效值，整合生成一级预测序列[(qdy1,qdl1)，(qdy2,qdl2)，(qdy3,qdl3)，(qdy4,qdl4)，(qdy5,qdl5)，(hdy1,hdl1)，(hdy2,hdl2)，(hdy3,hdl3)]。
[0047]
将一级预测序列输入至针对性训练的人工智能模型中，根据对应的输出结果可以预测电力设备是否故障。这里的人工智能模型训练对应的标准训练数据中模型输入数据与一级预测序列内容属性一致，而模型输出数据是模型输入数据对应的结果，可以通过专业的电力工作人员来设置或者调整。
[0048]
根据特征点前后的电力多源数据可以快速地预测出电力设备是否会发生故障。但是这个故障具体的发生原因并不能明确，即不确定是电力设备本身的原因，还是受到了其他电力设备的影响，因此还要继续明确故障类型。
[0049]
结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型，包括：当电力设备预测异常时，则将与之相连接的电力设备标记为二级设备；根据特征点对应时刻从二级设备的电力多源数据中提取前后若干周期的电力数据，按照采集顺序整合成二级预测序列；将二级预测序列与人工智能模型结合确定故障类型。
[0050]
当电力设备的预测结果异常时，则将与其直接相连接的其他电力设备标记为二级设备，同样以特征点为界限，提取前后的若干周期的电力数据整合成二级预测序列。将二级预测序列输入至针对性训练的人工智能模型中，获取对应的输出结果，结合一级预测序列的输出结果判断故障类型。
[0051]
电力设备之间的相互影响无法量化，因此通过人工智能模型来挖掘。而且二级设备包括故障电力设备的上级设备和下级设备，电力从上级设备流经故障电力设备到达下级设备，显然上级设备和下级设备对故障电力设备的影响不同。
[0052]
在二级预测序列生成过程中，还可以对各二级设备对应的电力多源数据进行预判断。即参考一级预测序列以及预测过程对特征点前后各电力设备的电力多源数据进行分析，判断二级设备是否会出现异常，是则将对应电力设备标记为1，否则将对应电力设备标记为0，这样可以生成的二级预测序列更加简单。
[0053]
二级预测序列所用到的人工智能模型也是针对性训练的，其训练所用标准训练数据的模型输入数据与二级预测序列内容属性一致，模型输出数据则是根据历史经验数据或者实验模拟数据总结得到的，模型输入数据可以具体表示为二级设备是否对目标电力设备产生影响。
[0054]
若二级设备对异常的电力设备没有产生影响，则判断故障类型是电力设备自身原因引起的故障，根据多源电力数据可以匹配解决方案；若二级设备对异常的电力设备影响较大，则应该对该二级设备进行影响排除，连同异常的二级设备一起预警处理。
[0055]
最后检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，包括：获取智能电网中各电力设备的连接关系，建立设备拓扑模型；在设备拓扑模型中实时更新标记各电力设备的运行状态，并通过智能终端对故障的电力设备进行预警。电力工作人员可以根据实时更新的设备拓扑模型进行故障排除。
[0056]
本发明的工作原理：采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储；提取并分析电力多源数据，判断是否发生数据异变；是，则提取异变点作为特征点；否，则持续判断。以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常；是，则结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型。基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，并通过智能终端预警。
[0057]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：
1.一种用于智能电网的设备检测系统，包括中枢控制模块，以及与之相连接的数据采集模块和检测展示模块；其特征在于：中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储；提取并分析电力多源数据，判断是否发生数据异变；是，则提取异变点作为特征点；否，则持续判断；以及以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常；是，则结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型；检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，并通过智能终端预警。2.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述中枢控制模块通过数据采集模块采集各电力设备的电力多源数据，对电力多源数据进行周期性覆盖存储，包括：确定数据存储周期；其中，数据存储周期根据电力设备的数据分析过程设置；通过与数据采集模块相连接的若干类型数据传感器持续采集各电力设备的电力多源数据；其中，电力多源数据包括电压或者电流；根据数据存储周期对采集的电力多源数据进行存储和覆盖更新。3.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述提取并分析电力多源数据，判断是否发生数据异变，包括：基于电力多源数据构建数据变化曲线；其中，数据变化曲线包括电压变化曲线或者电流变化曲线；根据数据变化曲线判断电力设备的电流或者电压是否存在数据异变；其中，数据异变包括有效值突变或者峰值突变。4.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述以特征点为界整合前后电力多源数据，获取一级预测序列，结合人工智能模型预测电力设备是否异常，包括：确定电力设备的特征点，根据特征点对应时刻从电力多源数据中提取前后若干周期的电力数据；其中，电力数据包括电压或者电流；提取电力数据的目标数据，按照采集顺序整合目标数据生成一级预测序列，结合人工智能模型预测电力设备是否异常；其中，目标数据包括有效值或者峰值。5.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述结合与电力设备相连接的电力设备的电力多源数据生成二级预测序列，结合人工智能模型确定故障类型，包括：当电力设备预测异常时，则将与之相连接的电力设备标记为二级设备；根据特征点对应时刻从二级设备的电力多源数据中提取前后若干周期的电力数据，按照采集顺序整合成二级预测序列；将二级预测序列与人工智能模型结合确定故障类型。6.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述人工智能模型包括bp神经网络模型或者rbf神经网络模型；并通过根据历史经验数据或者实验模
拟数据获取的标准训练数据进行训练；所述标准训练数据包括模型输入数据以及对应的模型输出数据；其中，模型输入数据与一级预测序列或者二级预测序列的内容属性一致。7.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述检测展示模块基于电力设备的物理连接建立设备拓扑模型，以及将预测的电力设备异常和故障类型在设备拓扑模型中实时展示，包括：获取智能电网中各电力设备的连接关系，建立设备拓扑模型；在设备拓扑模型中实时更新标记各电力设备的运行状态，并通过智能终端对故障的电力设备进行预警；其中，运行状态包括正常运行、故障以及故障类型。8.根据权利要求1所述的一种用于智能电网的设备检测系统，其特征在于，所述中枢控制模块分别与数据采集模块和检测展示模块通信和/或电气连接；且所述检测展示模块与智能终端通信和/或电气连接；所述数据采集模块与若干类型数据传感器通信和/或电气连接；其中，数据传感器包括电压传感器或者电流传感器。

技术总结
本发明公开了一种用于智能电网的设备检测系统，涉及智能电网技术领域，解决了现有技术难以预测电力设备的运行状态，无法识别出各电力设备间的相互影响，导致故障预警效率低的技术问题；本发明先根据电力多源数据预测电力设备是否会发生故障，接着确定二级设备，根据二级设备的电力多源数据挖掘出对目标电力设备的影响，进而判断故障类型；本发明综合考虑了智能电网中各电力设备之间的相互影响，能够更加准确地判断出电力设备的故障类型；本发明根据数据异变确定特征点，以特征点为界限调取电力多源数据并生成一级预测序列，结合人工智能模型来预测电力设备是否会发生故障；本发明根据前后的数据变化规律来预测是否故障，能够提高预测精度。提高预测精度。提高预测精度。


技术研发人员：董国威 曹延 汪雷 宋根华 宋毅 徐照民 徐进 简子杨 吴晨 叶小凡
受保护的技术使用者：国网安徽省电力有限公司宣城供电公司
技术研发日：2023.04.13
技术公布日：2023/7/12