本申请涉及电故障的探测装置技术领域,尤其涉及一种智能配电柜及智能配电方法。智能配电方法,包括以下步骤:获取经过配电柜向动力设备供电的供电参数;创建一个滑动时间窗口,以保存一段连续时间的供电参数;根据滑动时间窗口内供电参数的变化,根据滑动时间窗口的异常情况,使用数据特征提取函数将滑动时间窗口的供电参数处理为第一特征;使用损坏特征识别模型对第一特征进行识别,以得到第一特征是否为损坏特征;若第一特征是损坏特征,获取该损坏特征的损坏风险值;使动力设备的损坏风险累加值加和损坏风险值,当负载的损坏风险累加值大于第一阈值时,执行维护策略。本申请提供的一种智能配电柜及智能配电方法,能够提高预测的准确率。
【技术实现步骤摘要】
本申请涉及电故障的探测装置,尤其涉及一种智能配电柜及智能配电方法。
技术介绍
1、在现代工业应用中,配电柜作为连接动力设备与电源的关键组件,承担着监测和控制供电参数的重要角色。这些供电参数通常包括电压、电流、功率和频率等,它们直接影响着动力设备的运行状态。
2、工程师可以通过配电柜中的供电参数来预测和确定动力设备的未来状态,进而提出相应的维护和检修建议。
3、然而,现有技术直接依赖于动力设备的供电参数来预测其未来状态,预测的准确率不高。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种智能配电柜及智能配电方法,能够提高预测的准确率。
2、第一方面,本申请提供了一种智能配电方法,所述智能配电方法包括以下步骤:
3、获取经过配电柜向动力设备供电的供电参数;
4、创建一个滑动时间窗口,以保存一段连续时间的供电参数;
5、根据滑动时间窗口内供电参数的变化,判断得到滑动时间窗口内供电参数序列是否异常,根据滑动时间窗口内供电参数序列的异常情况,使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征;
6、使用损坏特征识别模型对第一特征进行识别,以得到第一特征是否为损坏特征;
7、若所述第一特征是损坏特征,获取该损坏特征的损坏风险值;
8、使动力设备的损坏风险累加值加和所述损坏风险值,当负载的损坏风险累加值大于第一阈值时,执行维护策略。
9、可选的,所述损坏特征识别模型通过以下步骤得到:
10、获取多个相同的动力设备在损坏前的供电参数,按距离动力设备损害的时间远近进行排列得到供电参数序列;
11、对每个动力设备的供电参数序列进行划分,以得到描述每个动力设备的供电参数序列的多个特征序列段;
12、根据特征序列段内供电参数的变化,使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述;
13、分别对动力设备的特征序列段的特征描述进行聚类,以得到异常特征序列段的特征描述;
14、计算多个相同的动力设备的异常特征序列段的特征描述的相似度,以获取得到在多个动力设备中同时出现的异常特征序列段的特征描述,将在多个动力设备中同时出现的异常特征序列段的特征描述作为损坏特征;
15、使用自编码器作为网络框架,损坏特征作为训练集,以此训练得到损坏特征识别模型。
16、可选的,对每个动力设备的供电参数序列进行划分,以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤:
17、供电参数序列中,供电参数的波动能够保持第一预设时间以上不高于第二阈值的部分设为供电参数无变动段;
18、供电参数序列中,供电参数的波动高于第二阈值的部分设为供电参数变动段;
19、将供电参数变动段,以及供电参数变动段前后的供电参数无变动段划分为一个特征序列段。
20、可选的,根据特征序列段内供电参数的变化,使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述包括:
21、所述数据特征提取函数为:
22、
23、其中,s(pseg)为特征序列段pseg的特征描述,nseg为序列段中数据点的数量,pi,seg为特征序列段pseg的第i个数据点,dseg根据整个序列段的异常值e(pseg)进行确定;
24、e(pseg)大于预设的异常值阈值时的dseg,大于e(pseg)小于预设的异常值阈值时的dseg;
25、其中:
26、
27、其中:
28、
29、其中,是当前特征序列段中数据点的平均值,是前一特征序列段中数据点的平均值,α和λ为经验参数,δn(pseg,pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
30、可选的,分别对动力设备的特征序列段的特征描述进行聚类,以得到异常特征序列段的特征描述包括:
31、使用kmeans算法将所述特征描述进行聚类,将异常值小于预设异常值阈值的特征序列段的特征描述聚成的类设为第一类,将异常值大于预设的异常值阈值且不属于第一类的特征序列段的特征描述设置为异常特征序列段的特征描述。
32、可选的,根据滑动时间窗口内供电参数的变化,判断得到滑动时间窗口内供电参数序列是否异常,根据滑动时间窗口内供电参数序列的异常情况,使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征:
33、所述数据特征提取函数为:
34、
35、其中,所述特征序列段pseg为当前滑动时间窗口内的供电参数序列,s(pseg)为特征序列段pseg的特征描述即第一特征,nseg为序列段中数据点的数量,pi,seg为特征序列段pseg的第i个数据点,dseg根据整个序列段的异常值e(pseg)进行确定;
36、e(pseg)大于预设的异常值阈值时的dseg,大于e(pseg)小于预设的异常值阈值时的dseg;
37、其中:
38、
39、其中:
40、
41、其中,是当前特征序列段中数据点的平均值,是前一特征序列段中数据点的平均值,α和λ为经验参数,δn(pseg,pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
42、可选的,所述智能配电方法还包括:对每个损坏特征设置损坏风险值,所述损坏特征的损坏风险值的设置规则为:
43、当动力设备发生损坏时,损坏特征出现的时间越靠近动力设备发生损坏的时间,该损坏特征的损坏风险值设置得越大。
44、第二方面,本申请提供了一种智能配电柜,所述智能配电柜包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面任一所述的智能配电方法。
45、本申请提供的技术方案与现有技术相比具有如下优点:
46、现有技术提供的预测动力设备未来状态的技术方案默认应用的动力设备为那些表现出周期性的动力设备。但是,现有技术在处理那些工作状态剧烈变化的动力设备时,由于这类剧烈变化设备的供电参数在长期数据的表现上往往缺乏重复性,使得直接基于供电参数的预测模型难以学习和形成准确的预判。例如,在高变动负荷的场景下,动力设备的供电参数可能会出现快速和不规则的变化。
47、本申请提供的技术方案采取了动态提取特征的策略,通过数据特征提取函数根据滑动时间窗口内供电参数的变化,改变对滑动时间窗口内数据特征的提取力度,使得异常波动的数据能够保留更多的特征,而本文档来自技高网
...
【技术保护点】
1.智能配电方法,其特征在于,所述智能配电方法包括以下步骤:
2.根据权利要求1所述的智能配电方法,其特征在于,所述损坏特征识别模型通过以下步骤得到:
3.根据权利要求2所述的智能配电方法,其特征在于,对每个动力设备的供电参数序列进行划分,以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤:
4.根据权利要求2所述的智能配电方法,其特征在于,根据特征序列段内供电参数的变化,使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述包括:
5.根据权利要求2所述的智能配电方法,其特征在于,分别对动力设备的特征序列段的特征描述进行聚类,以得到异常特征序列段的特征描述包括:
6.根据权利要求1所述的智能配电方法,其特征在于,根据滑动时间窗口内供电参数的变化,判断得到滑动时间窗口内供电参数序列是否异常,根据滑动时间窗口内供电参数序列的异常情况,使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征:
7.根据权利要求1所述的智能配电方法,其特征在于,所述智能配电方法还包括:对每个损坏特征设置损坏风险值,所述损坏特征的损坏风险值的设置规则为:
8.智能配电柜,其特征在于,所述智能配电柜包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的智能配电方法。
...
【技术特征摘要】
1.智能配电方法,其特征在于,所述智能配电方法包括以下步骤:
2.根据权利要求1所述的智能配电方法,其特征在于,所述损坏特征识别模型通过以下步骤得到:
3.根据权利要求2所述的智能配电方法,其特征在于,对每个动力设备的供电参数序列进行划分,以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤:
4.根据权利要求2所述的智能配电方法,其特征在于,根据特征序列段内供电参数的变化,使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述包括:
5.根据权利要求2所述的智能配电方法,其特征在于,分别对动力设备的特征序列段的特征描述进行聚类,以得到异常特征序列段的特征描述包括:
...
【专利技术属性】
技术研发人员:韩建辉,蔡素珍,张翔顺,
申请(专利权)人:广州华御电气设备有限公司,
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。