【技术实现步骤摘要】
基于智能群体关联的全站容性设备在线监测方法及系统
[0001]本专利技术涉及电力系统智能监控与分析
，具体为基于智能群体关联的全站容性设备在线监测方法及系统
。
技术介绍
[0002]随着现代电力系统的复杂性和规模不断增长，对电力设备的实时监测和故障预测需求也日益增强
。
传统的电力设备监测方法往往依赖于固定的阈值和经验规则，这在面对复杂和多变的运行环境时可能会出现误报或漏报
。
为了提高电力设备的运行效率和安全性，需要更加智能和准确的监测方法
。
[0003]容性设备，作为电力系统中的关键组件，其稳定性和健康状况直接影响到整个电力系统的安全和稳定运行
。
传统的容性设备监测方法主要基于设备的物理特性和经验数据，但这些方法在处理大规模
、
高维度的实时数据时往往效果不佳
。
[0004]近年来，深度学习和机器学习技术在许多领域都取得了显著的进展，这为电力设备的智能监测提供了新的可能性
。
然而，单纯依...
【技术保护点】
【技术特征摘要】
1.
基于智能群体关联的全站容性设备在线监测方法，其特征在于，包括：收集容性设备的实时运行数据；对收集到的数据进行预处理；使用智能群体关联算法和神经网络学习技术，建立容性设备
LSTM
模型，对预处理后的数据进行实时关联分析；基于关联分析的结果，进行故障预测，并提出性能优化建议
。2.
如权利要求1所述的基于智能群体关联的全站容性设备在线监测方法，其特征在于：采用
IoT
智能传感器收集所述实时运行数据，电流数据：
IoT
智能传感器实时监测容性设备的电流变化，包括峰值电流
、
平均电流和电流波形；电压数据：实时测量设备的输入和输出电压，以及电压稳定性和波动情况；温度数据：通过在设备关键部位部署温度传感器，实时监测设备的温度；振动和声音数据：通过振动和声音传感器，实时监测设备的物理振动和运行噪声；电力质量数据：包括谐波
、
电压闪变和频率偏移；设备状态数据：开关状态
、
保护设备状态和故障指示；环境数据：湿度
、
大气压和环境温度
。3.
如权利要求2所述的基于智能群体关联的全站容性设备在线监测方法，其特征在于：所述预处理包括，数据清洗：识别并处理异常值
、
缺失值和重复值，确保数据的完整性和准确性；数据标准化：将所有数据转换为统一的标准和范围；特征提取：从原始数据中提取可识别特征；数据降维：使用主成分分析技术，减少数据的维度，同时保留大部分的信息，提高算法的运行效率；时间序列分析：对连续收集的数据进行时间序列分析，识别数据的趋势
、
周期性和季节性特点
。4.
如权利要求3所述的基于智能群体关联的全站容性设备在线监测方法，其特征在于：所述建立容性设备
LSTM
模型，包括，引入多个粒子群，每个粒子群代表容性设备的一个特性，每个粒子群的权重和偏置根据其代表的特性进行实时调整，具体表示为： ；其中，表示第层网络的个粒子群的权重在第次迭代时的值；表示第层网络的个粒子群的偏置在第次迭代时的值；表示第个粒子群的学习率；表示第个粒子群的优化算法；对多个粒子群进行融合，得到每一层的输出，具体公式表示为：
ꢀ
；其中，表示第层网络的个粒子群的输出；为激活函数；表示第个粒子群的权重，表示其在融合中的中要求；表示粒子群的数量；表示第层网络的个粒子群的权重；表示第层网络的个粒子群的偏置；表示输入；表示为第层网络的输出总和；通过激活函数和模型的最终输出，得到容性设备在时刻
t
的特征描述；具体公式为： ；其中，表示为历史函数；表示为环境函数；和是权重参数，表示历史数据和环境因子的重要性；表示第个历史数据的权重；表示第个环境因子的权重；表示第个环境因子；表示环境因子的数量；表示为第
t
‑
i
时刻的特征描述
。5.
如权利要求4所述的基于智能群体关联的全站容性设备在线监测方法，其特征在于：所述建立容性设备
LSTM
模型，还包括，结合历史数据和环境因子，得到结合函数： ；通过激活函数得到模型的最终特征描述
: ；其中，和是新引入的非线性函数，表示容性设备的工作状态与其历史数据和环境因子的关系；表示为外部场系数，表示为外部场强度，表示为外部场的影响指数；表示为考虑外部场系数
、
外部场强度
、
外部场的影响指数的非线性结合函数；表示为考虑外部场的影响指数的非线性结合函数；得到容性设备在时刻的特征描述： ；其中，表示新引入的权重参数；表示为考虑外部场系数
、
外部场强度
、
外部场的影响指数的非线性函数；表示为考虑外部...
【专利技术属性】
技术研发人员：施睿弘，张锦程，杨铭，
申请(专利权)人：南京中鑫智电科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。