【技术实现步骤摘要】
本专利技术涉及环网柜异常侦测，特别是涉及一种环网柜异常侦测方法及系统。
技术介绍
1、环网柜(ring main unit)是一组输配电气设备(高压开关设备)装在金属或非金属绝缘柜体内或做成拼装间隔式环网供电单元的电气设备，其核心部分采用负荷开关和熔断器，具有结构简单、体积小、价格低、可提高供电参数和性能以及供电安全等优点。它被广泛使用于城市住宅小区、高层建筑、大型公共建筑、工厂企业等负荷中心的配电站以及箱式变电站中。
2、深度学习是机器学习的一个分支，目的在于建立一个模拟人脑进行分析学习的神经网络，通过模仿人脑的工作机制来进行数据处理，例如图像通常应用在视频识别、图像识别或者声音识别领域。
3、目前，通常是将深度学习算法模型烧录入计算模块中，再将计算模块集成在数据识别装置中，由数据识别装置中的数据采集模块采集待识别数据，然后由计算模块对待识别数据进行识别。
4、由于长期的使用，环网柜会发生各种问题，一旦发生问题就会直接影响供电的稳定，乃至发生事故，因此，需要工作人员进行维护，但是这种维护只能到现场进行逐一排查，效率低下，因此，需要基于大数据的深度学习，实现算法进行提前处理，防止事故的发生，进而提升效率。
技术实现思路
1、本专利技术的目的在于，提出一种环网柜异常侦测方法及系统，解决如何提前对环网柜的异常进行侦测的技术问题。
2、一方面，提供一种环网柜异常侦测方法，包括：
3、实时采集环网柜实时检测到的运行数据及环境数据，
4、将整理后的运行数据及环境数据输入预训练的故障预测模型，得到异常数据类型，并根据异常数据类型确定对应的故障类型。
5、优选地，所述运行数据至少包括电缆接头温度数据、电流数据、电压数据。
6、优选地，所述环境数据至少包括环境温度数据、湿度数据、水浸数据、烟雾数据。
7、优选地，还包括，当照预设数据格式整理数据时，若检测到某一数据存在缺失，则将该数据填充为0，以保证输入故障预测模型模型数据的完成性。
8、优选地，还包括，以固定频率采集并上报数据，获取历史上报数据并生成对应的运行数据样本库和环境数据样本库，其中，运行数据样本库和环境数据样本库包括以固定时间段为单元生成的样本集合。
9、优选地，还包括，分别将环网柜运行数据样本库和环网柜环境数据样本库的数据进行降维处理，将三维矩阵数据按照批次方向展开，得到二维矩阵；
10、对二维矩阵进行标准化处理，将标准化后的二维矩阵按照变量方向排列，并根据每一数据的数据标记和调整后的二维矩阵和多个样本库输入预设故障预测模型中进行训练，直到所述故障预测模型达到预设的精度为止，得到预训练的故障预测模型。
11、优选地，还包括，根据以下公式将三维矩阵数据按照批次方向展开，
12、
13、
14、其中，x表示运行数据样本库的样本集合；x表示环境数据样本库的样本集合；i表示以固定时间段划分的样本数据的批次数；xi表示运行数据；k表示不同运行数据在固定时间段内的采样值；xi表示环境数据；k表示不同运行数据在固定时间段内的采样值；i表示运行数据样本库的样本集合序列号；j表示运行数据样本库的样本集合序列号。
15、优选地，还包括，根据以下公式对二维矩阵进行标准化处理，
16、
17、其中，mean(x(i×xik))表示求样本集合算数平方；std(x(i×xik))表示求样本集合标准差；表示求样本集合的标准处理。
18、优选地，还包括，当生成对应的运行数据样本库和环境数据样本库时，
19、按照预设的质量评估标准对数据进行评估，区分正常的数据和异常的数据；其中，所述质量评估标准至少包括完整性标准、准确性标准、一致性标准和真实性标准；
20、将将正常数据标记为0，并将异常数据标记为1。
21、另一方面，还提供一种环网柜异常侦测系统，用以实现所述环网柜异常侦测方法，包括，
22、数据预处理模块，用于实时采集环网柜实时检测到的运行数据及环境数据，并对采集的运行数据及环境数据按照预设数据格式进行整理；
23、侦测模块，用于将整理后的运行数据及环境数据输入预训练的故障预测模型，得到异常数据类型，并根据异常数据类型确定对应的故障类型。
24、综上，实施本专利技术的实施例，具有如下的有益效果：
25、本专利技术提供的环网柜异常侦测方法及系统，提出了大数据学习性算法的环网柜异常侦测方案，实现环网柜各项故障的在线预测；建立故障模型，对温度和声波信号进行处理并与故障模型进行对比(统计学对比)，大数据学习性算法可以利用大规模的数据集进行训练和学习，从而在处理复杂的数据时具有更高的效率和准确性；准确可靠地获得预测各种故障信息，防止或减少事后的被动维护，提升用电质量，对提高供电安全具有重要的意义。通过采用先进的机器学习算法，异常侦测方案可以更准确地检测出环网柜的异常情况，避免漏报和误报。环网柜异常侦测方案可以实时监测环网柜的运行状态，及时发现异常情况并发出警报，从而有效预防设备故障和事故的发生。大数据学习性算法可以自动学习和调整参数，从而减少人工干预和提高了工作效率。采用基于模型的方法进行异常侦测，可以清楚地了解模型的构建过程和结果，从而更容易理解和解释。随着数据量的不断增加和技术的不断进步，大数据学习性算法的环网柜异常侦测方案可以不断优化和改进，以适应不断变化的需求。
本文档来自技高网...【技术保护点】
1.一种环网柜异常侦测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述运行数据至少包括电缆接头温度数据、电流数据、电压数据。
3.如权利要求2所述的方法，其特征在于，所述环境数据至少包括环境温度数据、湿度数据、水浸数据、烟雾数据。
4.如权利要求3所述的方法，其特征在于，还包括，当照预设数据格式整理数据时，若检测到某一数据存在缺失，则将该数据填充为0，以保证输入故障预测模型模型数据的完成性。
5.如权利要求4所述的方法，其特征在于，还包括，以固定频率采集并上报数据，获取历史上报数据并生成对应的运行数据样本库和环境数据样本库，其中，运行数据样本库和环境数据样本库包括以固定时间段为单元生成的样本集合。
6.如权利要求5所述的方法，其特征在于，还包括，分别将环网柜运行数据样本库和环网柜环境数据样本库的数据进行降维处理，将三维矩阵数据按照批次方向展开，得到二维矩阵；
7.如权利要求6所述的方法，其特征在于，还包括，根据以下公式将三维矩阵数据按照批次方向展开，
8.如权利要求7所述的方
9.如权利要求8所述的方法，其特征在于，还包括，当生成对应的运行数据样本库和环境数据样本库时，
10.一种环网柜异常侦测系统，用以实现如权利要求1-9任一项所述的方法，其特征在于，包括，
...【技术特征摘要】
1.一种环网柜异常侦测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述运行数据至少包括电缆接头温度数据、电流数据、电压数据。
3.如权利要求2所述的方法，其特征在于，所述环境数据至少包括环境温度数据、湿度数据、水浸数据、烟雾数据。
4.如权利要求3所述的方法，其特征在于，还包括，当照预设数据格式整理数据时，若检测到某一数据存在缺失，则将该数据填充为0，以保证输入故障预测模型模型数据的完成性。
5.如权利要求4所述的方法，其特征在于，还包括，以固定频率采集并上报数据，获取历史上报数据并生成对应的运行数据样本库和环境数据样本库，其中，运行数据样本库和环境数据样本...
【专利技术属性】
技术研发人员：蓝逸，黄煜峰，宋岩，薛荣，冯曜明，陈仕煜，张朝键，
申请(专利权)人：深圳供电局有限公司，
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。