基于多参量感知的配电台区监测系统及方法

技术领域

本发明涉及配电台区监测技术领域，尤其涉及基于多参量感知的配电台区监测系统及方法。

背景技术

配电台区，也称为配电站或配电所，是一种在电力系统中将电能分配给各个用户的关键设施。它通常包括配电变压器、高压开关设备、计量设备、继电保护装置和通信设备等。配电台区的主要功能是将从发电厂或输电系统接收到的电能转换为适合用户使用的电压等级，并进行分配和保护。

随着城市化进程的加快，电力需求持续增长，配电台区的安全稳定运行面临越来越大的压力，配电台区作为城市供电的关键环节，保障其安全稳定运行至关重要。当前，电网中低压配电台区在数字综合监测方面比较薄弱，线路故障不能有效的定位，对外破行为也不能及时制止，严重的情况下会造成故障或事故，对于引起故障的原因无法追溯，因此，对配电台区进行有效监测和故障诊断显得尤为必要。

发明内容

为了克服当前电网中低压配电台区在数字综合监测方面比较薄弱，线路故障不能有效的定位，对外破行为也不能及时制止，严重的情况下会造成故障或事故，对于引起故障的原因无法追溯的缺点，本发明的技术问题是：提供一种基于多参量感知的配电台区监测系统及方法，旨在提高配电台区的运行可靠性和安全性。

本发明提供以下技术方案：一种基于多参量感知的配电台区监测系统，包括：

数据采集模块，用于采集配电台区的各种运行参数；

数据预处理模块，用于对采集到的原始数据进行预处理，所述预处理包括数据清洗、滤波和去噪操作；

多光谱多目图像监测模块，用于对配电台区不同区域实时监测并获取关键信息量；

数据传输模块，用于将预处理后的数据通过通信网络传输至控制中心，以便进行分析和处理；

数据存储模块，用于将采集到的实时数据和历史数据进行存储，以便日后查询和分析；

控制中心，用于对收集到的数据进行负荷预测、电能质量分析和故障诊断；

监控显示模块，用于对配电台区的运行状况进行实时监控，通过可视化的方式展示各种运行参数给操作人员；

报警管理模块，用于根据分析结果，对潜在的故障和风险进行预警，并通知相关人员进行处理；

远程控制模块，用于实现对配电台区进行包括开关的分合闸、参数的调整在内的远程控制；

系统维护模块，用于对系统进行定期检查、维护和升级，确保系统的稳定性和可靠性。

进一步的，所述数据采集模块包括传感器、智能电表和三相录波仪，用于实时获取配电台区线路监测点的电压、电流、功率以及温度数据。

进一步的，所述多光谱多目图像监测模块包括多光谱摄像机和红外热成像仪。

进一步的，所述关键信息量包括导线温度、柱上开关触头温度和电杆倾斜信息。

进一步的，所述多光谱摄像机通道不小于4路，所述红外热成像采用氧化钒非制冷型探测器，且分辨率不低于256×192。

进一步的，所述故障诊断包括对配电台区线路的接地故障和短路故障的诊断，具体工作步骤如下：

步骤一：用三相录波仪对配电线路的三相电压、电流信号进行同步采集；

步骤二：对采集到的三相电压、电流信号进行小波变换，得到小波系数；

步骤三：通过对小波系数进行分析，提取包括能量和突变指数在内的特征值；

步骤四：根据特征值判断故障类型，所述故障类型包括接地短路和相间短路；

步骤五：利用小波变换的定位特性，确定故障发生的位置；

步骤六：对三相电压、电流的波形进行分析，进一步验证故障类型和位置；

步骤七：将故障判断结果和三相录波分析结果进行输出。

进一步的，还包括施工作业车辆识别模块，利用AI识别包括推土机，工程车，升降机在内的施工作业车辆，监测施工作业车辆的周边环境，具体步骤如下：

a.收集不同类型、角度、光线条件下的施工作业车辆的图像数据，所述图像数据来自施工现场的实时监控视频或者是互联网；

b.对收集到的图像数据中的施工作业车辆进行标注；

c.基于深度学习框架TensorFlow构建卷积神经网络深度学习模型；

d.使用标注好的图像数据训练构建好的深度学习模型；

e.使用测试数据集评估模型的性能；

f.将训练好的模型部署到实际的施工现场监控系统中，对施工作业车辆进行实时识别和监控。

本发明还提供一种基于多参量感知的配电台区监测方法，包括以下步骤：

S1、在配电台区部署各种多光谱摄像机、红外热成像仪和传感器，收集图像、故障、温度和倾角数据，所述数据包括高频采集的实时数据和一段时间内的历史数据；

S2、对采集到的数据进行去噪、滤波以及标准化预处理，并对不同数据源的数据进行时间同步；

S3、利用数字孪生技术构建一个与实际配电台区完全对应的虚拟模型，实时模拟实际配电台区的运行状况；

S4、基于构建好的数据孪生模型，实时监测配电台区的各种参数，设定能够在设备故障、温度过高、倾角异常时立即发出预警信息的阈值和预警规则；

S5、根据安全预警的结果，对配电台区的运行情况进行调整和优化，并将优化后的结果反馈到数据孪生模型中持续进行迭代和优化。

进一步的，还包括通过不断收集新数据以定期更新和优化模型，其中，收集和使用的图像数据符合相关数据隐私法规要求。

进一步的，所述调整和优化包括维修故障设备或调整设备位置。

与现有技术相比，本发明具有以下优点：

本发明通过多目图像分析技术解决配电线线路通道可视化问题，能够对配电线路进行全景图像监测，实现配电台区周边的安全外破监管；基于多状感知融合监测数字孪生技术，通过对配电台区各类状态参数进行故障温度、倾角、图像等数据整合，能够对配电台区变压器及线路温度异常状态监测，对台区数据进行故障趋势判断；基于小波信号故障分析定位和三相录波技术，能够对配电线路进行接地短路判断，以便于对线路进行精确快速地故障定位，从而确保配电台区的安全运行。

附图说明

图1为本发明一种基于多参量感知的配电台区监测系统的结构示意图；

图2为本发明一种基于多参量感知的配电台区监测方法的流程示意图。

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。

实施例1：一种基于多参量感知的配电台区监测系统，参考图1所示，包括：

数据采集模块，用于采集配电台区的各种运行参数，具体地，数据采集模块包括传感器、智能电表和三相录波仪，用于实时获取配电台区线路监测点的电压、电流、功率以及温度数据；

数据预处理模块，用于对采集到的原始数据进行预处理，所述预处理包括数据清洗、滤波和去噪操作；

多光谱多目图像监测模块，用于对配电台区不同区域实时监测并获取包括导线温度、柱上开关触头温度和电杆倾斜信息在内的关键信息量，具体地，所述多光谱多目图像监测模块包括多光谱摄像机和红外热成像仪，其中，多光谱摄像机通道为20路，前视、后视通道镜头采用工业级高清枪式摄像头，标配200万夜视镜头，照度≤0.001Lux；下视摄像机标配500万像素广角镜头，视场角120°，红外热成像采用氧化钒非制冷型探测器，其分辨率不低于256×192，且支持火点智能监测，支持红外测温，温度异常报警，还支持热成像与可见光联动功能；

数据传输模块，用于将预处理后的数据通过通信网络传输至控制中心，以便进行分析和处理，通信传输方式采用2G/3G/4G无线传输，满足电信、联通、移动自适应，且支持三个运营商的2G、3G、4G网络，并可根据现场情况选择运营商；

数据存储模块，用于将采集到的实时数据和历史数据进行存储，以便日后查询和分析；

控制中心，用于对收集到的数据进行负荷预测、电能质量分析和故障诊断，其中，故障诊断包括对配电台区线路的接地故障和短路故障的诊断，具体工作步骤如下：

步骤一：用三相录波仪对配电线路的三相电压、电流信号进行同步采集；

步骤二：对采集到的三相电压、电流信号进行小波变换，得到小波系数；

步骤三：通过对小波系数进行分析，提取包括能量和突变指数在内的特征值；

步骤四：根据特征值判断故障类型，所述故障类型包括配电台区系统线路中的接地短路和相间短路等故障；

步骤五：利用小波变换的定位特性，确定故障发生的位置，由于小波变换能够将信号分解成不同时间尺度以及不同频率的分量，因此，可以提取信号中的边缘、峰值或其他局部特征，还可以提取信号中的基频、谐波或其他频率成分，通过小波变换可以对信号进行多尺度分解，从而实现时间和频率的定位，进而对故障源进行准确定位。

步骤六：对三相电压、电流的波形进行分析，进一步验证故障类型和位置；

步骤七：将故障判断结果和三相录波分析结果进行输出。

监控显示模块，用于对配电台区的运行状况进行实时监控，通过可视化的方式展示各种运行参数给操作人员，例如，可在监控显示屏中实时更新最新的运行参数；

报警管理模块，用于根据分析结果，对潜在的故障和风险进行预警，并通知相关人员进行处理；

远程控制模块，用于实现对配电台区进行包括开关的分合闸、参数的调整在内的远程控制；

系统维护模块，用于对系统进行定期检查、维护和升级，确保系统的稳定性和可靠性。

作为更为优选的实施方案，系统还包括施工作业车辆识别模块，利用AI识别包括推土机，工程车，升降机在内的施工作业车辆，监测施工作业车辆的周边环境，以维护生产环境安全，具体步骤如下：

a.收集不同类型、角度、光线条件下的施工作业车辆的图像数据，所述图像数据来自施工现场的实时监控视频或者是互联网，采集不同类型、角度、光线条件下的施工作业车辆图像，能够保证图像数据具有多样性，进而提高模型的泛化能力；

b.对收集到的图像数据中的施工作业车辆进行标注，明确哪些图像中包含推土机、工程车、升降机等施工作业车辆，数据标注可以手动完成，也可以使用一些自动化的工具辅助完成；

c.基于深度学习框架TensorFlow构建卷积神经网络深度学习模型；

d.使用标注好的图像数据训练构建好的深度学习模型，训练过程还包括模型参数调整、学习率调整等优化手段，在此不再赘述；

e.使用测试数据集评估模型的性能，以确保模型能够在实际应用场景中准确地识别施工作业车辆；

f.将训练好的模型部署到实际的施工现场监控系统中，对施工作业车辆进行实时识别和监控。

实施例2：一种基于多参量感知的配电台区监测方法，如图2所示，包括以下步骤：

S1、在配电台区部署各种多光谱摄像机、红外热成像仪和传感器，收集图像、故障、温度和倾角数据，所述数据包括高频采集的实时数据和一段时间内的历史数据，通过不断收集新数据以定期更新和优化模型，其中，收集和使用的图像数据符合相关数据隐私法规要求；

S2、对采集到的数据进行去噪、滤波以及标准化预处理，并对不同数据源的数据进行时间同步，时间同步可以确保不同数据源之间的数据在时间上保持一致，从而保证数据分析结果的准确性，如果数据时间不同步，可能会导致数据误读或错误分析；

S3、利用数字孪生技术构建一个与实际配电台区完全对应的虚拟模型，实时模拟实际配电台区的运行状况；

S4、基于构建好的数据孪生模型，实时监测配电台区的各种参数，设定能够在设备故障、温度过高、倾角异常时立即发出预警信息的阈值和预警规则；

S5、根据安全预警的结果，对配电台区的运行情况进行调整和优化，包括维修故障设备或调整设备位置等操作，并将优化后的结果反馈到数据孪生模型中持续进行迭代和优化。

虽然已经参照示例性实施例描述了本发明，但是应理解本发明不限于所公开的示例性实施例。以下权利要求的范围应给予最宽泛的解释，以便涵盖所有的变型以及等同的结构和功能。