一种面向云边协同的电力设备故障识别方法及系统技术方案

本发明专利技术公开了一种面向云边协同的电力设备故障识别方法及系统，包括：获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。本发明专利技术通过边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件，解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。具有显著的应用价值。具有显著的应用价值。

【技术实现步骤摘要】
一种面向云边协同的电力设备故障识别方法及系统


[0001]本专利技术属于电网故障诊断
，具体涉及一种面向云边协同的电力设备故障识别方法及系统。

技术介绍

[0002]电力物联网为电力系统能源生产、传输、配售等各环节提供信息和数据支持，对优化电网运行、降低管理成本、提升经济效益、提高服务质量有极大的促进作用。
[0003]为了有效提升数据共享能力，提升信息管理、信息价值挖掘、大数据及人工智能分析等水平，现阶段采用云计算架构，将感知层数据上传到云平台集中处理应用。但在海量数据背景下存在以下问题：一方面云平台数据传输时延大，造成业务响应不及时，另一方面数据集中于云平台，造成网络传输、云端计算资源的巨大负担等。随着电力物联网数字化转型的不断深入，在相对数以万计接入需求下云平台的信息系统架构在业务处理时效性、中心数据处理能力等方面的局限性显现出来。云边协同技术的提出为上述问题提供了解决思路，其核心思想是将部分数据处理、分析、相关应用程序部署至靠近数据源的边缘层中，以降低数据处理时延，缓解云平台的资源压力。
[0004]边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。电力行业开展边缘计算的研究应用已经启动。边缘层采用“统一硬件平台+边缘操作系统+APP业务应用软件”的技术架构，考虑通过边缘计算技术提高业务处理的实时性，降低云主站通讯和计算的压力。r/>[0005]变压器作为电网节点的核心设备，其运行状态评估技术发展近年来备受关注，许多科研机构、高校、企业投入研究，开发了油中气体在线监测、局部放电在线监测、套管绝缘在线监测、铁芯接地电流在线监测及其评估诊断系统。变压器故障主要有绕组故障、铁芯故障、主绝缘故障、引线故障、分接故障、套管故障。不同故障的发展对应着状态特征量的变化，例如：围屏放电、匝间短路、绝缘浸渍不良等引起局部放电，过负荷或冷却不良引起绕组过热，不良工况引起绕组变形、主绝缘/纵绝缘损伤等；在电性故障或过热故障作用下，绝缘油的分解产生各种低分子烃和氢气，油纸绝缘发生裂解，释放出CO和CO2。对于过热特征量的监测手段有红外热像、油温、内置光纤测温、噪声等监测方法；对于电气特征量有油色谱、局部放电、噪声、电压、电流等监测方法。通过传感器监测故障现象往往不能准确定位故障原因和故障部件，例如：油中含有水，可以与铁作用生成氢气；温度较高时，油中有氧时，设备中某些油漆在某些不锈钢的催化下，可能生成大量的氢；设备检修时暴露在空气中的油可吸收空气中的CO2等。因此通过多餐量传感器监测到多种故障现象，基于多种故障现象评估故障原因和故障部件是提高变电设备故障定位精度的必要方法。故现有技术存在云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题。

技术实现思路

[0006]针对上述存在的不足，本专利技术的目的是提供一种面向云边协同的电力设备故障识别方法及系统，本专利技术通过边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件，解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。
[0007]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0008]一种面向云边协同的电力设备故障识别方法，包括：
[0009]获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；
[0010]将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；
[0011]对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。
[0012]作为本专利技术的进一步改进，所述预先训练的故障原因识别模型的训练方法包括：
[0013]基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。
[0014]作为本专利技术的进一步改进，所述采用stacking集成学习方法，包括：
[0015]将数据集划分为训练集、测试集，选择多种基模型作为弱分类器进行训练，每种基模型的训练方式如下：
[0016]把训练集分为平均k份，第一次训练时，将train k作为基测试集，将train1到train(k
‑
1)作为基训练集，对基模型进行训练，训练得到了第一基模型，采用第一基模型对基测试集train k进行预测，得到第一结果矩阵；
[0017]将train1到train(k
‑
1)分别作为基测试集，去除选定的基测试集后剩余的k
‑
1份数据作为基训练集，进行训练分别得到第二基模型～第k基模型，然后由第二基模型～第k基模型分别对train1到train(k
‑
1)基测试集进行预测，得到k
‑
1个结果矩阵；
[0018]对预测得到的k
‑
1个结果矩阵进行分类顺序拼接，得到最终的结果矩阵，作为基训练集；
[0019]分别用训练得到的多个基模型对测试集进行预测，进而构建后续的测试集，得到最终训练集和测试集；
[0020]基于最终训练集和测试集对LR算法模型进行训练，得到最终的故障原因识别模型。
[0021]作为本专利技术的进一步改进，所述分别用练得到的基模型对测试集进行预测，进而构建后续的测试集，包括：
[0022]由第一基模型～第k基模型对测试集进行预测，得到k个矩阵，通过分类求平均，得到平均矩阵，作为基测试集；
[0023]由多种基模型训练得到的基模型分别对测试集进行预测，并分别通过分类求平均，得到多种平均矩阵；
[0024]对多种平均矩阵进行顺序扩展拼接，得到后续的测试集。
[0025]作为本专利技术的进一步改进，所述对不同故障原因在故障分析中的重要程度进行计
算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件，包括：
[0026]确定对不同故障原因对应的量化分析指标；
[0027]根据量化分析指标形成各故障原因对应的分析张量；
[0028]基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；
[0029]将关联度与量化分析指标得到的值概率归一化后进行D
‑
S证据理论融合以得到对应的故障部件。
[0030]作为本专利技术的进一步改进，所述根据量化分析指标形成各故障原因对应的分析张量；包括：
[0031]对于电力设备的一条故障原因，将确定的量化分析指标作为张量中的一个元素，所述张量元素的具体数值为多个量化分析指标的量化数值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向云边协同的电力设备故障识别方法，其特征在于，包括：获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。2.根据权利要求1所述的面向云边协同的电力设备故障识别方法，其特征在于，所述预先训练的故障原因识别模型的训练方法包括：基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。3.根据权利要求2所述的面向云边协同的电力设备故障识别方法，其特征在于，所述采用stacking集成学习方法，包括：将数据集划分为训练集、测试集，选择多种基模型作为弱分类器进行训练，每种基模型的训练方式如下：把训练集分为平均k份，第一次训练时，将train k作为基测试集，将train1到train(k
‑
1)作为基训练集，对基模型进行训练，训练得到了第一基模型，采用第一基模型对基测试集train k进行预测，得到第一结果矩阵；将train1到train(k
‑
1)分别作为基测试集，去除选定的基测试集后剩余的k
‑
1份数据作为基训练集，进行训练分别得到第二基模型～第k基模型，然后由第二基模型～第k基模型分别对train1到train(k
‑
1)基测试集进行预测，得到k
‑
1个结果矩阵；对预测得到的k
‑
1个结果矩阵进行分类顺序拼接，得到最终的结果矩阵，作为基训练集；分别用训练得到的多个基模型对测试集进行预测，进而构建后续的测试集，得到最终训练集和测试集；基于最终训练集和测试集对LR算法模型进行训练，得到最终的故障原因识别模型。4.根据权利要求3所述的面向云边协同的电力设备故障识别方法，其特征在于，所述分别用练得到的基模型对测试集进行预测，进而构建后续的测试集，包括：由第一基模型～第k基模型对测试集进行预测，得到k个矩阵，通过分类求平均，得到平均矩阵，作为基测试集；由多种基模型训练得到的基模型分别对测试集进行预测，并分别通过分类求平均，得到多种平均矩阵；对多种平均矩阵进行顺序扩展拼接，得到后续的测试集。5.根据权利要求1所述的面向云边协同的电力设备故障识别方法，其特征在于，所述对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件，包括：确定对不同故障原因对应的量化分析指标；根据量化分析指标形成各故障原因对应的分析张量；基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联
度；将关联度与量化分析指标得到的值概率归一化后进行D
‑
S证据理论融合以得到对应的故障部件。6.根据权利要求5所述的面向云边协同的电力设备故障识别方法，其特征在于，所述根据量化分析指标形成各故障原因对应的分析张量；包括：对于电力设备的一条故障原因，将确定的量化分析指标作为张量中的一个元素，所述张量元素的具体数值为多个量化分析指标的量化数值的权重，张量构成分析...

【专利技术属性】
技术研发人员：雷煜卿，仝杰，彭国政，张中浩，张树华，
申请(专利权)人：国家电网有限公司国网天津市电力公司，
类型：发明
国别省市：