一种开关分合闸到位检测方法、装置、设备及介质制造方法及图纸

本申请实施例公开了一种开关分合闸到位检测方法、装置、设备及介质。其中，该方法包括：获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。本技术方案通过两个预先训练的深度学习模型分别检测开关分闸声音信号和开关合闸声音信号，准确地得到了开关分合闸到位检测的结果，保障了电力系统的安全稳定运行。稳定运行。稳定运行。

【技术实现步骤摘要】
一种开关分合闸到位检测方法、装置、设备及介质


[0001]本专利技术涉及电气设备状态监测领域，尤其涉及一种开关分合闸到位检测方法、装置、设备及介质。

技术介绍

[0002]随着技术进步，GIS(GAS insulated SWITCHGEAR，气体绝缘开关设备)凭借节能、占地面积小、安装简单和检修方便等优点被广泛应用于电力系统中。
[0003]GIS设备通常是由箱体整体密封的，运行维护人员难以观察到GIS设备内部的各个部件的具体情况，运行维护人员无法准确判断GIS隔离开关的分合闸是否到位，可能造成带电误合接地刀闸、带地线送电等严重后果，严重时甚至会导致GIS设备爆炸，影响整个电力系统的稳定运行。

技术实现思路

[0004]本专利技术提供了一种开关分合闸到位检测方法、装置、设备及介质，以实现GIS设备的开关分合闸到位检测，提高电力系统运行稳定性。
[0005]根据本专利技术的一方面，提供了一种开关分合闸到位检测方法，所述方法包括：
[0006]获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；
[0007]根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；
[0008]根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。
[0009]根据本专利技术的另一方面，提供了一种开关分合闸到位检测装置，包括：
[0010]声音信号获取模块，获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；
[0011]深度学习模型确定模块，用于根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；
[0012]开关分合闸到位判断模块，用于据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。
[0013]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的开关分合闸到位检测方法。
[0017]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的开关分合闸到位检测方法。
[0018]本申请实施例的技术方案，包括：获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。本技术方案通过两个预先训练的深度学习模型分别检测开关分闸声音信号和开关合闸声音信号，准确地得到了开关分合闸到位检测的结果，保障了电力系统的安全稳定运行。
[0019]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0020]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0021]图1是根据本申请实施例一提供的一种开关分合闸到位检测方法的流程图；
[0022]图2是根据本申请实施例二提供的一种开关分合闸到位检测方法的流程图；
[0023]图3是根据本申请实施例二提供的一种开关分合闸到位检测方法的深度学习模型示意图；
[0024]图4(a)是根据本申请实施例二提供的一种开关分合闸到位检测方法的检测开关合闸是否到位的流程图；
[0025]图4(b)是根据本申请实施例二提供的一种开关分合闸到位检测方法的检测开关分闸是否到位的流程图；
[0026]图5是根据本申请实施例三提供的一种开关分合闸到位检测装置的结构示意图；
[0027]图6是实现本申请实施例的一种开关分合闸到位检测方法的电子设备的结构示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本申请实施例中的附图，对本申请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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图
在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例一
[0031]图1为本申请实施例一提供了一种开关分合闸到位检测方法的流程图，本申请实施例可适用于对开关分合闸是否到位进行判断的情况，该方法可以由开关分合闸到位检测装置来执行，该开关分合闸到位检测装置可以采用硬件和/或软件的形式实现，该开关分合闸到位检测装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
[0032]S110，获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号。
[0033]本申请实施例中，所述开关可以是任意设备的开关，例如GIS设备的开关。声音信号可以通过声音采集设备获取，可以在开关分闸的时间段获取开关分闸声音信号，在开关合闸的时间段获取开关合闸声音信号。
[0034]具体的，在开关分闸或合闸时，开关的声音信号具备差异性，所以本申请实施例通过开关的声音信号，在后续步骤中判断开关分合闸是否到位，解决了难以观测开关分合闸状态的情况下，开关分合闸到位识别难的问题。
[0035]S120，根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种开关分合闸到位检测方法，其特征在于，包括：获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。2.根据权利要求1所述的方法，其特征在于，获取开关的声音信号之后，所述方法还包括：对所述声音信号进行滤波，得到滤波后的声音信号。3.根据权利要求2所述的方法，其特征在于，对所述声音信号进行滤波，得到滤波后的声音信号之后，所述方法还包括：根据滤波后的声音信号，确定所述声音信号的频率、声强、响度和信噪比中至少一项；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位，包括：根据所述声音信号的频率、声强、响度和信噪比中至少一项以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。4.根据权利要求1所述的方法，其特征在于，训练与所述声音信号匹配的深度学习模型，包括：根据历史开关分闸声音信号训练开关分闸的深度学习模型；根据历史开关合闸声音信号训练开关合闸的深度学习模型。5.根据权利要求4所述的方法，其特征在于，所述深度学习模型的输入包括：所述声音信号的频率、声强、响度和信噪比中至少一项。6.根据权利要求4所述的方法，其特征在于，所述深度学习模型的损失函数基于最大似然估...

【专利技术属性】
技术研发人员：邓建新，黎才添，胡伟江，严文浩，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：