一种电源连接器故障实时监测方法及系统技术方案

本发明专利技术涉及故障检测领域，公开了一种电源连接器故障实时监测方法及系统，用于提高电源连接器故障实时监测的准确率

【技术实现步骤摘要】
一种电源连接器故障实时监测方法及系统


[0001]本专利技术涉及故障检测领域，尤其涉及一种电源连接器故障实时监测方法及系统
。

技术介绍

[0002]电源连接器是电力系统中不可或缺的组成部分，其稳定性直接关系到系统的正常运行
。
故障导致电流过载
、
电压不稳定等问题，影响整个电力系统的稳定性和可靠性
。
[0003]传统的电源连接器监测手段通常依赖于离线检测或定期巡检，难以实现对连接器实时状态的监测，即现有方案的准确率低
。

技术实现思路

[0004]本专利技术提供了一种电源连接器故障实时监测方法及系统，用于提高电源连接器故障实时监测的准确率
。
[0005]本专利技术第一方面提供了一种电源连接器故障实时监测方法，所述电源连接器故障实时监测方法包括：通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号
、
目标电压信号以及目标温度数据；分别对所述目标电流信号
、
所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图
、
电压信号差分图以及温度分布箱线图；对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；通过预置的极限学习机模型分别对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重
、
电压异常标签权重以及温度异常标签权重；根据所述电流异常标签权重
、
所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果
。
[0006]结合第一方面，在本专利技术第一方面的第一种实现方式中，所述通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号
、
目标电压信号以及目标温度数据，包括：通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号
、
多个初始电压信号以及初始温度数据；通过预置的多个第一弱分类器分别对所述多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号
合成，得到目标电流信号，所述第一弱分类器包括卷积池化层
、
全连接层
、
长短时记忆单元
、softmax
函数以及输出层；通过预置的多个第二弱分类器分别对所述多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，所述第二弱分类器包括卷积池化层
、
全连接层
、
长短时记忆单元
、softmax
函数以及输出层；对所述初始温度数据进行数据清洗以及数据去噪，得到目标温度数据
。
[0007]结合第一方面，在本专利技术第一方面的第二种实现方式中，所述分别对所述目标电流信号
、
所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图
、
电压信号差分图以及温度分布箱线图，包括：对所述目标电流信号进行时域分析，得到初始时域波形图，并对所述初始时域波形图进行波形平滑操作，得到电流时域波形图；对所述目标电压信号进行电压信号映射，得到初始电压映射图，并对所述初始电压映射图进行电压差分分析，得到电压信号差分图；对所述目标温度数据进行数据点分布处理，得到初始分布箱线图，并对所述初始分布箱线图进行校验处理，得到温度分布箱线图
。
[0008]结合第一方面，在本专利技术第一方面的第三种实现方式中，所述对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量，包括：将所述电流时域波形图输入预置的第一特征提取神经网络，并通过所述第一特征提取神经网络对所述电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对所述多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，所述第一特征提取神经网络包括两层卷积长短时网络；将所述电压信号差分图输入预置的第二特征提取神经网络，并通过所述第二特征提取神经网络对所述电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对所述多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，所述第二特征提取神经网络包括双层图神经网络；将所述温度分布箱线图输入预置的第三特征提取神经网络，并通过所述第三特征提取神经网络对所述温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对所述多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，所述第三特征提取神经网络包括双向长短时记忆网络
。
[0009]结合第一方面，在本专利技术第一方面的第四种实现方式中，所述通过预置的极限学习机模型分别对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重
、
电压异常标签权重以及温度异常标签权重，包括：将所述电流异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电流异常特征分量的电流异常标签权重，得到电流异常标签权重，其中，所述极限学习机模型包括：输入层
、
隐藏层以及输出层；
将所述电压异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述电压异常特征分量的电压异常标签权重，得到电压异常标签权重；将所述温度异常特征分量输入预置的极限学习机模型，并通过所述极限学习机模型计算所述温度异常特征分量的温度异常标签权重，得到温度异常标签权重
。
[0010]结合第一方面，在本专利技术第一方面的第五种实现方式中，所述根据所述电流异常标签权重
、
所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征，包括：根据所述电流异常标签权重，对所述电流异常特征分量进行特征加权处理，得到加权电流特征分量；根据所述电压异常标签权重，对所述电压异常标签权重进行特征加权处理，得到加权电压特征分量；根据所述温度异常标签权重，对所述温度异常特征分量进行特征加权处理，得到加权温度特征分量；对所述加权电流特征分量
、
所述加权电压特征分量以及所述加权温度特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电源连接器故障实时监测方法，其特征在于，所述电源连接器故障实时监测方法包括：通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号
、
目标电压信号以及目标温度数据；分别对所述目标电流信号
、
所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图
、
电压信号差分图以及温度分布箱线图；对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量；通过预置的极限学习机模型分别对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行异常标签权重计算，得到电流异常标签权重
、
电压异常标签权重以及温度异常标签权重；根据所述电流异常标签权重
、
所述电压异常标签权重以及所述温度异常标签权重对所述电流异常特征分量
、
所述电压异常特征分量以及所述温度异常特征分量进行加权融合，生成目标多维融合特征；将所述目标多维融合特征输入预置的电源连接器故障分析模型进行电源连接器故障分析，得到电源连接器故障分析结果
。2.
根据权利要求1所述的电源连接器故障实时监测方法，其特征在于，所述通过预置的传感器组对目标电源连接器进行实时监测，得到目标电流信号
、
目标电压信号以及目标温度数据，包括：通过预置的传感器组分别对目标电源连接器进行实时信号采集，得到多个初始电流信号
、
多个初始电压信号以及初始温度数据；通过预置的多个第一弱分类器分别对所述多个初始电流信号进行电流信号调制，得到每个第一弱分类器的调制电流信号，并对每个第一弱分类器的调制电流信号进行信号合成，得到目标电流信号，所述第一弱分类器包括卷积池化层
、
全连接层
、
长短时记忆单元
、softmax
函数以及输出层；通过预置的多个第二弱分类器分别对所述多个初始电压信号进行电压信号调制，得到每个第二弱分类器的调制电压信号，并对每个第二弱分类器的调制电压信号进行信号合成，得到目标电压信号，所述第二弱分类器包括卷积池化层
、
全连接层
、
长短时记忆单元
、softmax
函数以及输出层；对所述初始温度数据进行数据清洗以及数据去噪，得到目标温度数据
。3.
根据权利要求1所述的电源连接器故障实时监测方法，其特征在于，所述分别对所述目标电流信号
、
所述目标电压信号以及所述目标温度数据进行可视化分布映射，得到电流时域波形图
、
电压信号差分图以及温度分布箱线图，包括：对所述目标电流信号进行时域分析，得到初始时域波形图，并对所述初始时域波形图进行波形平滑操作，得到电流时域波形图；对所述目标电压信号进行电压信号映射，得到初始电压映射图，并对所述初始电压映射图进行电压差分分析，得到电压信号差分图；对所述目标温度数据进行数据点分布处理，得到初始分布箱线图，并对所述初始分布
箱线图进行校验处理，得到温度分布箱线图
。4.
根据权利要求1所述的电源连接器故障实时监测方法，其特征在于，所述对所述电流时域波形图进行异常电流波形提取，生成电流异常特征分量，并对所述电压信号差分图进行电压跳变识别，生成电压异常特征分量，以及对所述温度分布箱线图进行温度异常升高检测，生成温度异常特征分量，包括：将所述电流时域波形图输入预置的第一特征提取神经网络，并通过所述第一特征提取神经网络对所述电流时域波形图进行异常电流波形提取，得到多个异常电流波形段，以及对所述多个异常电流波形段进行特征转换，生成电流异常特征分量，其中，所述第一特征提取神经网络包括两层卷积长短时网络；将所述电压信号差分图输入预置的第二特征提取神经网络，并通过所述第二特征提取神经网络对所述电压信号差分图进行电压跳变识别，得到多个电压跳变区间，以及对所述多个电压跳变区间进行特征处理，生成电压异常特征分量，其中，所述第二特征提取神经网络包括双层图神经网络；将所述温度分布箱线图输入预置的第三特征提取神经网络，并通过所述第三特征提取神经网络对所述温度分布箱线图进行温度异常升高检测，得到多个温度异常数据点，以及对所述多个温度异常数据点进行特征映射，生成温度异常特征分量，其中，所述第三特征提取神经网络包括双向长短时记忆网络
。5....

【专利技术属性】
技术研发人员：姚潜，
申请(专利权)人：深圳市盛格纳电子有限公司，
类型：发明
国别省市：