一种电网智慧运维系统

技术领域

本发明涉及电网运维技术领域，更具体的说是涉及一种电网智慧运维系统。

背景技术

随着工业化、电气化、智能化的发展，各种电气设备在不断增加，安全事故和安全隐患也在不断上升。目前的电源设备数量多、安装分散、管理难度大，人工巡检存在漏洞和隐患不能及时发现并且维护量大，工作效率低、维护成本高；人工巡检的技术手段获得数据少、容易忽视重大影患，事故影响大；缺少预警机制、安全难以保障等缺点。

而由于采集到的电气数据中包含多个维度的数据信息，仅依靠单一维度通过设定阈值进行异常识别时，容易造成较大误差，无法确定异常现象的准确来源，进而可能导致监控过程中的错误预警，从而造成人力物力资源浪费。

因此，如何对电网进行实时监控并准确完成故障预测是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种电网智慧运维系统，通过收集多维度的数据，综合所得到的数据，实现对于电网的故障准确预测。

为了实现上述目的，本发明采用如下技术方案：

一种电网智慧运维系统，包括：历史数据库模块、检测模块、远程终端模块、智慧报警模块，所述远程终端模块接收所述检测模块收集的数据，并提取所述历史数据库模块存储的历史数据，将所述检测模块的检测数据与所述历史数据库模块存储的历史故障数据进行比对，得出发生的故障类型；所述智慧报警模块根据所述故障类型给出对应的报警信号。

优选的，所述检测模块所检测信息具体包括：故障声音信息、温度变化信息、绝缘油信息、负荷信息及溶解气体信息。

优选的，所述远程终端模块包括：浓度变化预测模块、温度变化预测模块、声音变化处理模块，综合比对模块，所述浓度变化预测模块根据所述绝缘油信息与所述溶解气体信息预测得到溶解在绝缘油中的溶解气体浓度变化信息；所述温度变化预测模块根据故障时刻温度预测得到征兆参数预测值；所述声音变化处理模块处理所述故障声音信息得到融合特征曲线信息；所述综合比对模块将所述溶解气体浓度变化信息、征兆参数预测值、融合特征曲线信息进行数据融合，综合判断故障类型。

优选的，所述浓度变化预测模块具体包括：

影响因素设置模块，建立变量环境，所述变量环境包括历史绝缘油信息、负荷信息与历史溶解气体信息，输入到预测模型的是各变量对应的历史时间序列信息，并设定历史预测气体的影响因素；

影响因素验证模块，对所述影响因素进行验证，将历史预测气体的历史时序信息输入到LSTM网络，预测该气体的未来浓度值，并计算结果的历史均方根误差；将历史预测气体与影响因素的历史时序信息输入到LSTM网络，预测该气体的未来浓度值，并计算预测结果的影响均方根误差，所有影响均方根误差小于历史均方根误差的影响因素为积极影响因素，提取所述积极影响因素的时序信息；

模型构建模块，构造融合时间注意力机制的LSTM预测模型，将历史预测气体对应的时序信息和所述积极影响因素的时序信息，作为融合时间注意力机制的LSTM预测模型的输入；

变化预测模块，输入所述溶解气体信息、所述负荷信息与所述绝缘油信息，通过LSTM预测模型预测得出绝缘油中溶解气体浓度变化信息。

优选的，所述声音变化处理模块具体包括：

预处理模块，获取所述故障声音信息，所述故障声音信息包括声音信号和振动信号，预处理得到所述声音信号的时频图和所述振动信号的时频图；

特征图融合模块，通过双通道CNN模型分别对所述声音信号的时频图和振动信号的时频图进行特征提取得到相应的声音特征图和振动特征图，并将所述声音特征图和所述振动特征图进行特征融合，得到融合特征曲线信息，其中，所述特征融合包括：对所述声音特征图和所述振动特征图进行交叉连接处理后再进行拆分，并对拆分得到的两部分进行混合连接处理。

优选的，所述绝缘油信息具体包括油温信息、环境温度信息；所述溶解气体信息具体包括H

优选的，所述温度变化预测模块实时采集检测位置故障发生时刻的所述温度变化信息，对所述温度变化信息进行分析处理，实时对故障对应征兆参数进行监测，再利用检测位置的历史故障温度变化信息建立LSTM预测模型，对故障对应征兆参数进行预测，将所述LSTM预测模型输出的参数预测值与征兆参数实际值进行残差计算，得到动态残差曲线信息，设置符合程度阈值，所述动态残差曲线信息超过所述符合程度阈值，则将其作为对应故障类型的征兆参数预测值。

优选的，所述综合比对模块具体包括：

数据融合模块，对所述溶解气体浓度变化信息、征兆参数预测值、融合特征曲线信息进行数据融合，得到融合数据；

故障预测模块，获取预设的预测模型，将所述融合数据输入所述预测模型，得到检测位置对应的故障类型，其中，所述预测模型包括若干子预测模型，各所述子预测模型分别基于不同类型的神经网络构建，各所述子预测模型的权重值基于所述融合数据的数据分布特征确定。

优选的，所述故障预测模块包括：

参考数据分布特征获取模块，获取所述历史数据库模块中的历史融合数据和各所述历史融合数据分别对应的故障预测标签，获取各所述历史融合数据的历史数据分布特征两两之间的相似度，根据所述相似度对各所述历史数据分布特征进行分类，得到若干特征集合，根据各所述特征集合，确定各所述特征集合分别对应的融合分布特征，将各所述融合分布特征作为参考数据分布特征；

置信度确定模块，根据各所述特征集合对各所述历史融合数据进行分类得到测试数据集合，根据各所述测试数据集合和对应的所述故障预测标签确定各所述参考数据分布特征下所述预测模型的识别准确率根据各所述识别准确率确定各所述参考数据分布特征分别对应的预测置信度；

置信度数据库获取模块，获取所述融合数据对应的所述数据分布特征，获取所述子预测模型对应的置信度数据库，其中，所述置信度数据库用于反映不同参考数据分布特征下所述子预测模型的预测置信度；

子模型权重确定模块，将所述数据分布特征与所述置信度数据库进行比对，根据比对结果确定所述数据分布特征对应的检测位置预测置信度，根据所述检测位置预测置信度确定所述子预测模型对应的所述权重值。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种电网智慧运维系统，通过获取检测位置的多种异常信息，其中，各异常信息分别对应不同的数据类型；对各异常信息进行数据融合，得到融合数据；获取预测模型，将融合数据输入预测模型，得到检测位置故障预测数据，其中，预测模型包括若干子预测模型，各子预测模型分别基于不同类型的神经网络构建，各子预测模型的权重值基于融合数据的数据分布特征确定。本发明采用多模态数据进行预测，并且在一个预测模型中集成了多个不同的子预测模型，可以有效提高故障预测模型的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例公开了一种电网智慧运维系统，如图1所示，包括：历史数据库模块、检测模块、远程终端模块、智慧报警模块，远程终端模块接收检测模块收集的数据，并提取历史数据库模块存储的历史数据，将检测模块的检测数据与历史数据库模块存储的历史故障数据进行比对，得出发生的故障类型；智慧报警模块根据故障类型给出对应的报警信号。

在一个具体实施例中，检测模块所检测信息具体包括：故障声音信息、温度变化信息、绝缘油信息、负荷信息及溶解气体信息。

在一个具体实施例中，远程终端模块包括：浓度变化预测模块、温度变化预测模块、声音变化处理模块，综合比对模块，浓度变化预测模块根据绝缘油信息与溶解气体信息预测得到溶解在绝缘油中的溶解气体浓度变化信息；温度变化预测模块根据故障时刻温度预测得到征兆参数预测值；声音变化处理模块处理故障声音信息得到融合特征曲线信息；综合比对模块将溶解气体浓度变化信息、征兆参数预测值、融合特征曲线信息进行数据融合，综合判断故障类型。

在一个具体实施例中，浓度变化预测模块具体包括：

影响因素设置模块，建立变量环境，变量环境包括历史绝缘油信息、负荷信息与历史溶解气体信息，输入到预测模型的是各变量对应的历史时间序列信息，并设定历史预测气体的影响因素；

影响因素验证模块，对影响因素进行验证，将历史预测气体的历史时序信息输入到LSTM网络，预测该气体的未来浓度值，并计算结果的历史均方根误差；将历史预测气体与影响因素的历史时序信息输入到LSTM网络，预测该气体的未来浓度值，并计算预测结果的影响均方根误差，所有影响均方根误差小于历史均方根误差的影响因素为积极影响因素，提取积极影响因素的时序信息；

在一个具体实施例中，设任一种待预测气体y的浓度预测受到积极影响因素x

将待预测气体y的历史时序数据输入到LSTM网络，预测该气体的未来浓度值，并计算结果的均方根误差RMSE

将待预测气体y与积极影响因素x

若RMSE

在已提取积极影响因素x

在已提取出积极影响因素对应的时序信息的基础上，建立融合时间注意力机制的LSTM预测模型，该模型首先采用两层LSTM分别实现模型的编码阶段和解码阶段；然后，在编码器和解码器中间增加注意力层，分析编码器的隐藏层状态h

模型构建模块，构造融合时间注意力机制的LSTM预测模型，将历史预测气体对应的时序信息和积极影响因素的时序信息，作为融合时间注意力机制的LSTM预测模型的输入；

建立长短时记忆网络LSTM预测模型：

在t时刻LSTM的输入为x

f

其中：f

把LSTM关于当前的记忆c′

i

c′

其中，i

LSTM最终的输出结果h

o

其中，o

变化预测模块，输入溶解气体信息、负荷信息与绝缘油信息，通过LSTM预测模型预测得出绝缘油中溶解气体浓度变化信息。

在一个具体实施例中，声音变化处理模块具体包括：

预处理模块，获取故障声音信息，故障声音信息包括声音信号和振动信号，预处理得到声音信号的时频图和振动信号的时频图；

在一个具体实施例中，还包括对声音信号和振动信号进行去噪处理，在对信号进行去噪后，通过连续小波变换获取到各自对应的声音时频图和振动时频图。具体的，将去噪后的信号进行连续小波变换(CWT)得到时频图，CWT表达式为：

其中，WT

双通道CNN模型包括两个独立的网络结构相同的声音特征提取通道CNN和振动特征提取通道CNN，每个通道CNN包括4层神经网络，包括卷积层2个，全连接层2个。在第5层，双通道卷积神经网络先将声音特征提取通道CNN的第4层和振动特征提取通道CNN的第4层的输出进行一次交叉连接作为第6层的输入，并在第5层将交叉后的结果拆分为两部分，每部分的神经元个数为128；然后在第6层将两条变换流提取的CNN特征再次进行混合操作，得到一个64维的特征向量，这个64维的特征向量即为双通道卷积神经网络所得的融合特征图。

将双通道CNN模型所获得的两组特征数据进行交叉混合操作的具体过程包括：先将两个全连接层的输出进行一次交叉连接，作为下一个全连接层的输入；然后将下一个全连接层拆分为两部分，并对这两部分数据进行一次混合连接，得到的特征向量即为图像的融合特征图。所获得的融合特征图的图像特征抽象层度高，表达能力强。与单通道CNN相比较，双通道CNN将声音信号和振动信号特征进行融合，获得更加丰富的图像特征。具体的，卷积神经网络(CNN)是一种高效识别模型，通常由输入层、卷积层、池化层、全连接层和输出层组成。每一层的权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为下一个神经元，以便构造下一层对应的特征。

特征图融合模块，通过双通道CNN模型分别对声音信号的时频图和振动信号的时频图进行特征提取得到相应的声音特征图和振动特征图，并将声音特征图和振动特征图进行特征融合，得到融合特征曲线信息，其中，特征融合包括：对声音特征图和振动特征图进行交叉连接处理后再进行拆分，并对拆分得到的两部分进行混合连接处理。

在一个具体实施例中，双通道CNN模型包括两个独立的网络结构相同的声音特征提取通道CNN和振动特征提取通道CNN。

在一个具体实施例中，绝缘油信息具体包括油温信息、环境温度信息；溶解气体信息具体包括H

在一个具体实施例中，温度变化预测模块实时采集检测位置故障发生时刻的温度变化信息，对温度变化信息进行分析处理，实时对故障对应征兆参数进行监测，再利用检测位置的历史故障温度变化信息建立LSTM预测模型，对故障对应征兆参数进行预测，将LSTM预测模型输出的参数预测值与征兆参数实际值进行残差计算，得到动态残差曲线信息，设置符合程度阈值，动态残差曲线信息超过符合程度阈值，则将其作为对应故障类型的征兆参数预测值。

在一个具体实施例中，综合比对模块具体包括：

数据融合模块，对溶解气体浓度变化信息、征兆参数预测值、融合特征曲线信息进行数据融合，得到融合数据；

故障预测模块，获取预设的预测模型，将融合数据输入预测模型，得到检测位置对应的故障类型，其中，预测模型包括若干子预测模型，各子预测模型分别基于不同类型的神经网络构建，各子预测模型的权重值基于融合数据的数据分布特征确定。

在一个具体实施例中，故障类型的确定具体包括：

获取各子预测模型分别对应的故障预测数据；

根据各子预测模型的权重值和故障预测数据进行加权处理，得到目标故障预测数据。

具体地，本实施例通过融合数据的数据分布特征动态调节子预测模型的权重值，并采用加权融合的方式将各子预测模型的故障预测数据汇总，得到的目标故障预测数据，可以针对性地提升高精度的子预测模型对预测结果的作用，降低低精度的子预测模型对预测结果的干扰，进而有效提高预测模型的预测精度。

在一个具体实施例中，其中一个子预测模型为LSTM模型，LSTM模型的损失函数中包含正则化项。

正则化是一种用于控制模型复杂度和避免过拟合的方法，可以通过在损失函数中加入正则化项实现。通过增加正则化项来控制LSTM网络的复杂度，可以避免过拟合现象的发生，提高模型的泛化能力和分类准确度。

在一个具体实施例中，故障预测模块包括：

参考数据分布特征获取模块，获取历史数据库模块中的历史融合数据和各历史融合数据分别对应的故障预测标签，获取各历史融合数据的历史数据分布特征两两之间的相似度，根据相似度对各历史数据分布特征进行分类，得到若干特征集合，根据各特征集合，确定各特征集合分别对应的融合分布特征，将各融合分布特征作为参考数据分布特征；

置信度确定模块，根据各特征集合对各历史融合数据进行分类得到测试数据集合，根据各测试数据集合和对应的故障预测标签确定各参考数据分布特征下预测模型的识别准确率根据各识别准确率确定各参考数据分布特征分别对应的预测置信度；

置信度数据库获取模块，获取融合数据对应的数据分布特征，获取子预测模型对应的置信度数据库，其中，置信度数据库用于反映不同参考数据分布特征下子预测模型的预测置信度；

子模型权重确定模块，将数据分布特征与置信度数据库进行比对，根据比对结果确定数据分布特征对应的检测位置预测置信度，根据检测位置预测置信度确定子预测模型对应的权重值。

在一个具体实施例中，首先获取检测位置大量的历史融合数据，并对各历史融合数据进行标注，即生成故障预测标签。对各历史融合数据的历史数据分布特征进行分类，将特征相似度高的历史数据分布特征分至一个特征集合中(例如每一特征集合中各历史数据分布特征两两之间的相似度大于第一相似阈值)。针对每一特征集合，将该特征集合中的所有历史数据分布特征进行融合，得到该特征集合的融合分布特征，并将这一融合分布特征作为一个参考数据分布特征。然后根据该特征集合对应的所有历史融合数据生成一个测试数据集合，由于这些历史融合数据都具有故障预测标签，因此可以计算出子预测模型在该测试数据集合下的识别准确率，并根据该识别准确率确定对应的参考数据分布特征的预测置信度。本实施例采用数据分类的分析方式可以准确判断子预测模型在不同数据分布特征下的预测置信度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。