基于深度学习的配电物联网监测系统

技术领域

本发明涉及配电设备监测技术领域，特别涉及一种基于深度学习的配电物联网监测系统。

背景技术

在配电系统实际应用过程中，出现故障的频率较高，如果无法及时发现或排除，将会对整个系统产生影响，造成重大损失，需要对配电系统进行实时监测和调控。

在对配电设备进行监测过程中，考虑的较为单一，通常只能对配电设备的运行状态进行分析，没有考虑配电设备所处环境影响因素与使用状态，不够全面，导致监测准确性低；

不能基于配电设备的实时监测数据以及对可能的风险进行预测，导致监测智能化程度较低；

为此，推出一种基于深度学习的配电物联网监测系统。

发明内容

有鉴于此，本发明提供一种基于深度学习的配电物联网监测系统，可以实现对配电设备的全面监测，以解决上述背景技术提出的问题。

本发明的目的可以通过以下技术方案实现：配电监测模块：包括若干个传感器，将若干个传感器分别安装在设定位置，用于实时监测配电设备的各项参数数据，参数数据包括运行参数、环境参数以及使用参数；

通信模块：用于监测数据的传输以及物联网连接的建立，将监测数据传输至云平台进行分析；

云平台：包括运行分析模块、环境分析模块以及使用分析模块，具体为：

运行分析模块用于对配电设备对应当前监测时间段内的运行参数进行分析：

201：获取配电设备对应当前监测时间段内的设备异响次数、各异响次数对应持续时长以及各时刻点的异响分贝值；

将各异响次数对应持续时长之间进行相加得到异响时长；将当前监测时间段内各时刻点的分贝值与设定的分贝阈值之间进行比对，将高于阈值的分贝值之间进行相加并取均值得到异响均值，将当前监测时间段内的异响均值与设定的异响等级范围进行匹配，得到当前监测时间段内的异响等级；

将当前监测时间段内的异响次数、异响时长以及异响等级分别标记为YX1、YX2以及YX3，并对三者之间进行计算得到当前监测时间段内的异响评估指数HG，具体为：

代入公式

202：获取配电设备对应当前监测时间段内各时刻点的温度值，并与设定的温度阈值之间进行比对；

统计高于温度阈值的个数得到异温个数；获取各异温个数对应的持续时长并进行相加得到异温时长；将高于阈值的温度值之间进行相加并取均值得到异温均值，将当前监测时间段内异温均值与设定的温度等级范围进行匹配，得到当前监测时间段内的异温等级；

将当前监测时间段内的异温个数、异温时长以及异温等级分别标记为YW1、YW2以及YW3，并对三者之间进行计算得到当前监测时间段内的异温评估指数HU，具体为：

代入公式

203：获取配电设备对应当前监测时间段内各时刻点的电流值，并与设定的电流阈值之间进行比对；

统计高于电流阈值的个数得到异流个数；获取各异流个数对应的持续时长并进行相加得到异流时长；将高于阈值的电流值之间进行相加并取均值得到异流均值，将当前监测时间段内异流均值与设定的电流等级范围进行匹配，得到当前监测时间段内的异流等级；

将当前监测时间段内的异流个数、异流时长以及异流等级分别标记为YL1、YL2以及YL3，并对三者之间进行计算得到当前监测时间段内的异流评估指数HD，具体为：

代入公式

将当前监测时间段内配电设备的异响评估指数HG、异温评估指数HU以及异流评估指数HD之间进行综合分析，具体为：

代入公式

环境分析模块用于对配电设备对应当前监测时间段内的环境参数进行分析：

301：对当前监测时间段内配电设备所处环境状态进行判定，环境状态包括晴天、下雨以及下雪，并设定各环境状态分别对应一个风险系数，风险系数包括晴天系数QA、雨天系数QB以及雪天系数QC；

302：若判定环境状态为晴天，获取当前监测时间段内配电设备所处周围的风速与风向信息，计算当前风向与配电设备接触面之间的夹角，并将夹角数据与设定的夹角影响范围进行匹配，得到风向系数FX；

302-1：获取当前监测时间段内配电设备所处周围的灰尘浓度FE与气体浓度值FT，对灰尘浓度FE、气体浓度FT以及风向系数FX之间进行综合分析，具体为：

代入公ND＝FE×d1+FT×d2+FX×d3，进行计算得到浓度影响指数ND；其中d1、d2以及d3分别为灰尘浓度FE、气体浓度FT以及风向系数FX的影响权重因子；

302-2：对当前监测时间段内配电设备所处周围的风速值FS和浓度影响指数ND之间进行综合分析，具体为：

代入公式KA＝FS×e1+ND×e2，进行计算得到晴天评估指数KA；其中e1和e2分别为晴天状态下风速值FS和浓度影响指数ND的影响权重因子；

并与晴天系数QA之间进行相乘计算得到环境评估指数KDY1；

需要说明的是，环境评估指数KDYi，其中i＝1,2或3，KDY1、KDY2以及KDY3分别表示晴天、雨天以及雪天环境状态下的环境评估指数；

303：若判定环境状态为雨天，获取当前监测时间段内配电设备所处周围的降雨量JY，对当前监测时间段内配电设备所处周围的风速值FS、浓度影响指数ND以及降雨量JY之间进行综合分析，具体为：

代入公式KB＝JY×h1+FS×h2+ND×h3，进行计算得到雨天评估指数KB；其中h1、h2以及h3分别为雨天状态下降雨量JY、风速值FS以及浓度影响指数ND的影响权重因子；

并与雨天系数QB之间进行相乘计算得到环境评估指数KDY2；

304：若判定环境状态为雪天，获取当前监测时间段内配电设备所处周围的降雪量JX，对当前监测时间段内配电设备所处周围的风速值FS、浓度影响指数ND以及降雪量JX之间进行综合分析，具体为：

代入公式KB＝JX×g1+FS×g2+ND×g3，进行计算得到雪天评估指数KC；其中g1、g2以及g3分别为雪天状态下降雪量JX、风速值FS以及浓度影响指数ND的影响权重因子；

并与雪天系数QC之间进行相乘计算得到环境评估指数KDY3；

使用分析模块用于对配电设备对应当前监测时间段内的使用参数进行分析：

401：获取当前监测时间段内配电设备的外壳图像信息，并对采集的外壳图像信息进行预处理，基于阈值分割的方法，将图像分割为正常区域与腐蚀区域，统计配电设备外壳所对应的腐蚀区域个数VA，利用像素计数的方法分别计算各腐蚀区域的面积并进行相加得到腐蚀面积；计算腐蚀面积与配电设备外壳总面积之间的比值，得到腐蚀占比VB；

对腐蚀区域个数与腐蚀占比之间进行综合分析，具体为：

代入公式

在预处理后的图像上提取特征，对检测到的孔洞区域进行特征分析，包括孔洞的数量、大小以及深度；对各孔洞的边界进行轮廓提取，得到各孔洞边界的坐标点集合，根据各孔洞边界的坐标点集合，利用多边形面积计算公式得到各孔洞的面积；通过图像中设定的基准点，分别计算各孔洞与基准点之间的直线距离，得到孔洞深度；将对应孔洞的深度值SD与面积值ST之间代入公式DXk＝SD×v1+ST×v2，进行计算得到洞险值DXk；其中v1和v2分别为深度值SD与面积值ST的影响权重因子；其中k＝1,2...G，G为当前配电设备孔洞的总数；

基于各组洞险值DXk代入公式

将配电设备对应的腐蚀险值VG与孔洞险值VH之间进行综合分析，具体为：

代入公式

402：获取当前监测时间段内配电设备的接地导线图像信息，提取导线图像中破裂部分的特征并进行测量，得到对应破裂处的破裂长度，将各破裂处的破裂长度与设定的破裂阈值之间进行比对，统计高于阈值的破裂长度并标记为超出长值，分别计算各超出长值与阈值之间的差值并取均值得到破裂均值PL；统计超出长值的个数得到超出个值PC；

将配电设备对应的超出个值PC与破裂均值PL之间进行综合分析，具体为：代入公式LJP＝PC×tw1+PL×tw2，进行计算得到连接评估指数LJP；其中tw1和tw2分别为超出个值PC与破裂均值PL的影响权重因子；

403：将配电设备对应的防护评估指数FHP与连接评估指数LJP之间进行综合分析，具体为：

代入公式

将配电设备对应当前监测时间段内的运行评估指数KGF、环境评估指数KDYi以及使用评估指数KMS代入公式

远程操作模块：根据得到的风险评估等级，基于物联网连接对配电设备进行相应的风险警报，并执行对应的操作，具体为：

601：当风险评估等级为一级时，将对应参数发送至当前值班的管理人员移动终端上，管理人员对当前生成等级进行解析，得到配电设备当前整体状态，通过移动终端对配电设备对应运行参数进行远程调控后，基于配电设备所处环境状态以及可视化模型状态，判断是否需要进行现场维护；

602：当风险评估等级为二级时，当前值班管理人员基于配电设备当前整体状态远程对配电设备运行参数进行调控或停止设备工作，同时调配优效值RGH最高的管理人员前往现场进行检修、维护或调控，该管理人员当月总维护次数加一；

602-1：发送位置反馈指令至当前所有值班管理人员移动终端上，获取当前各管理人员的所在位置，将各管理人员所在位置与当前设备位置之间进行距离差计算得到维护距离值RA；同时获取各管理人员的工作时长RB以及当月维护总次数RC；

对各管理人员的维护距离值RA、工作时长RB以及当月维护总次数RC之间进行综合分析，具体为：

代入公式

深度学习算法模块：用于收集和储存云平台的监测数据分析结果，并建立对应模型，具体为：

K1：获取各监测时间段内的风险评估指数并进行解析，得到各监测时间段内风险评估指数对应的原始数据；

K1-101：对得到的原始数据进行预处理后，通过自动特征提取的方式，从对应原始数据中提取运行参数变化的特征并进行学习；

K1-102：基于大量的特征学习建立风险预测诊断模型；输入配电设备的实时监测运行参数并代入模型内，输出对应的运行风险预测结果；

K1-103：实时记录各监测时间段内的分析结果并整合进风险预测诊断模型内，进行更新；

K2：使用分析的图像样本，包括腐蚀图形、孔洞图像以及导线图像，训练一个分类器模型，并使用训练好的分类器模型，基于当前的分析结果，对原始的配电设备模型进行颜色标记，形成可视化模型。

与现有技术相比，本发明的有益效果是：

本发明通过对配电设备对应当前监测时间段内的运行参数、环境参数以及使用参数分别进行分析，得到相应的评估指数，根据得到的对应评估指数，可以从各方面反映配电设备的状态，提高了分析的全面性，并基于上述得到评估指数进行整合并进行匹配，生成配电设备对应当前监测时间段的风险警报等级，从而根据风险警报等级执行相应的操作，最大程度上降低了配电设备在实际应用过程中的故障隐患；

本发明通过对各监测时间段内的风险评估指数并进行解析，得到各监测时间段内风险评估指数对应的原始数据，对得到的原始数据进行预处理后，通过自动特征提取的方式，从对应原始数据中提取运行参数变化的特征并进行学习，基于大量的特征学习建立风险预测诊断模型；输入配电设备的实时监测运行参数并代入模型内，输出对应的运行风险预测结果，可以基于配电设备的实时运行监测数据，对可能的运行风险进行预测，从而提前规避，降低了运行故障率的同时提高了智能化；

本发明通过对各管理人员的维护距离值、工作时长以及当月维护总次数之间进行综合分析，得到各管理人员的优效值，选取优效值最大的管理人员作为调配人员，前往当前配电设备地点进行维护和检修，提高了维护效率。

附图说明

在下面结合附图对于示例性实施例的描述中，本申请的更多细节、特征和优点被公开，在附图中：

图1为本发明的原理框图。

具体实施方式

下面将参照附图更详细地描述本申请的若干个实施例以便使得本领域技术人员能够实现本申请。本申请可以体现为许多不同的形式和目的并且不应局限于本文所阐述的实施例。提供这些实施例以使得本申请全面且完整，并充分地向本领域技术人员传达本申请的范围。所述实施例并不限定本申请。

除非另有定义，本文中使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域的普通技术人员所通常理解的相同含义。将进一步理解的是，诸如那些在通常使用的字典中定义的之类的术语应当被解释为具有与其在相关领域和/或本说明书上下文中的含义相一致的含义，并且将不在理想化或过于正式的意义上进行解释，除非本文中明确地如此定义。

实施例

请参阅图1所示，一种基于深度学习的配电物联网监测系统，包括配电监测模块、通信模块、云平台、远程操作模块以及远程操作模块；

配电监测模块：包括若干个传感器，将若干个传感器分别安装在设定位置，用于实时监测配电设备的各项参数数据，参数数据包括运行参数、环境参数以及使用参数；

通信模块：用于监测数据的传输以及物联网连接的建立，将监测数据传输至云平台进行分析；

需要说明的是，通过物联网连接技术，实现监测数据之间的传输。

云平台：包括运行分析模块、环境分析模块以及使用分析模块，具体为：

运行分析模块用于对配电设备对应当前监测时间段内的运行参数进行分析：

201：获取配电设备对应当前监测时间段内的设备异响次数、各异响次数对应持续时长以及各时刻点的异响分贝值；

将各异响次数对应持续时长之间进行相加得到异响时长；将当前监测时间段内各时刻点的分贝值与设定的分贝阈值之间进行比对，将高于阈值的分贝值之间进行相加并取均值得到异响均值，将当前监测时间段内的异响均值与设定的异响等级范围进行匹配，得到当前监测时间段内的异响等级；

将当前监测时间段内的异响次数、异响时长以及异响等级分别标记为YX1、YX2以及YX3，并对三者之间进行计算得到当前监测时间段内的异响评估指数HG，具体为：

代入公式

202：获取配电设备对应当前监测时间段内各时刻点的温度值，并与设定的温度阈值之间进行比对；

统计高于温度阈值的个数得到异温个数；获取各异温个数对应的持续时长并进行相加得到异温时长；将高于阈值的温度值之间进行相加并取均值得到异温均值，将当前监测时间段内异温均值与设定的温度等级范围进行匹配，得到当前监测时间段内的异温等级；

将当前监测时间段内的异温个数、异温时长以及异温等级分别标记为YW1、YW2以及YW3，并对三者之间进行计算得到当前监测时间段内的异温评估指数HU，具体为：

代入公式

203：获取配电设备对应当前监测时间段内各时刻点的电流值，并与设定的电流阈值之间进行比对；

统计高于电流阈值的个数得到异流个数；获取各异流个数对应的持续时长并进行相加得到异流时长；将高于阈值的电流值之间进行相加并取均值得到异流均值，将当前监测时间段内异流均值与设定的电流等级范围进行匹配，得到当前监测时间段内的异流等级；

将当前监测时间段内的异流个数、异流时长以及异流等级分别标记为YL1、YL2以及YL3，并对三者之间进行计算得到当前监测时间段内的异流评估指数HD，具体为：

代入公式

将当前监测时间段内配电设备的异响评估指数HG、异温评估指数HU以及异流评估指数HD之间进行综合分析，具体为：

代入公式

环境分析模块用于对配电设备对应当前监测时间段内的环境参数进行分析：

301：对当前监测时间段内配电设备所处环境状态进行判定，环境状态包括晴天、下雨以及下雪，并设定各环境状态分别对应一个风险系数，风险系数包括晴天系数QA、雨天系数QB以及雪天系数QC；

302：若判定环境状态为晴天，获取当前监测时间段内配电设备所处周围的风速与风向信息，计算当前风向与配电设备接触面之间的夹角，并将夹角数据与设定的夹角影响范围进行匹配，得到风向系数FX；

302-1：获取当前监测时间段内配电设备所处周围的灰尘浓度FE与气体浓度值FT，对灰尘浓度FE、气体浓度FT以及风向系数FX之间进行综合分析，具体为：

代入公ND＝FE×d1+FT×d2+FX×d3，进行计算得到浓度影响指数ND；其中d1、d2以及d3分别为灰尘浓度FE、气体浓度FT以及风向系数FX的影响权重因子；

需要说明的是，采集的气体浓度为硫化氢气体浓度。

302-2：对当前监测时间段内配电设备所处周围的风速值FS和浓度影响指数ND之间进行综合分析，具体为：

代入公式KA＝FS×e1+ND×e2，进行计算得到晴天评估指数KA；其中e1和e2分别为晴天状态下风速值FS和浓度影响指数ND的影响权重因子；

并与晴天系数QA之间进行相乘计算得到环境评估指数KDY1；

需要说明的是，环境评估指数KDYi，其中i＝1,2或3，KDY1、KDY2以及KDY3分别表示晴天、雨天以及雪天环境状态下的环境评估指数；

303：若判定环境状态为雨天，获取当前监测时间段内配电设备所处周围的降雨量JY，对当前监测时间段内配电设备所处周围的风速值FS、浓度影响指数ND以及降雨量JY之间进行综合分析，具体为：

代入公式KB＝JY×h1+FS×h2+ND×h3，进行计算得到雨天评估指数KB；其中h1、h2以及h3分别为雨天状态下降雨量JY、风速值FS以及浓度影响指数ND的影响权重因子；

并与雨天系数QB之间进行相乘计算得到环境评估指数KDY2；

304：若判定环境状态为雪天，获取当前监测时间段内配电设备所处周围的降雪量JX，对当前监测时间段内配电设备所处周围的风速值FS、浓度影响指数ND以及降雪量JX之间进行综合分析，具体为：

代入公式KB＝JX×g1+FS×g2+ND×g3，进行计算得到雪天评估指数KC；其中g1、g2以及g3分别为雪天状态下降雪量JX、风速值FS以及浓度影响指数ND的影响权重因子；

并与雪天系数QC之间进行相乘计算得到环境评估指数KDY3；

使用分析模块用于对配电设备对应当前监测时间段内的使用参数进行分析：

401：获取当前监测时间段内配电设备的外壳图像信息，并对采集的外壳图像信息进行预处理，基于阈值分割的方法，将图像分割为正常区域与腐蚀区域，统计配电设备外壳所对应的腐蚀区域个数VA，利用像素计数的方法分别计算各腐蚀区域的面积并进行相加得到腐蚀面积；计算腐蚀面积与配电设备外壳总面积之间的比值，得到腐蚀占比VB；

对腐蚀区域个数与腐蚀占比之间进行综合分析，具体为：

代入公式

在预处理后的图像上提取特征，对检测到的孔洞区域进行特征分析，包括孔洞的数量、大小以及深度；对各孔洞的边界进行轮廓提取，得到各孔洞边界的坐标点集合，根据各孔洞边界的坐标点集合，利用多边形面积计算公式得到各孔洞的面积；通过图像中设定的基准点，分别计算各孔洞与基准点之间的直线距离，得到孔洞深度；将对应孔洞的深度值SD与面积值ST之间代入公式DXk＝SD×v1+ST×v2，进行计算得到洞险值DXk；其中v1和v2分别为深度值SD与面积值ST的影响权重因子；其中k＝1,2...G，G为当前配电设备孔洞的总数；

基于各组洞险值DXk代入公式

将配电设备对应的腐蚀险值VG与孔洞险值VH之间进行综合分析，具体为：

代入公式

402：获取当前监测时间段内配电设备的接地导线图像信息，提取导线图像中破裂部分的特征并进行测量，得到对应破裂处的破裂长度，将各破裂处的破裂长度与设定的破裂阈值之间进行比对，统计高于阈值的破裂长度并标记为超出长值，分别计算各超出长值与阈值之间的差值并取均值得到破裂均值PL；统计超出长值的个数得到超出个值PC；

将配电设备对应的超出个值PC与破裂均值PL之间进行综合分析，具体为：代入公式LJP＝PC×tw1+PL×tw2，进行计算得到连接评估指数LJP；其中tw1和tw2分别为超出个值PC与破裂均值PL的影响权重因子；

403：将配电设备对应的防护评估指数FHP与连接评估指数LJP之间进行综合分析，具体为：

代入公式

将配电设备对应当前监测时间段内的运行评估指数KGF、环境评估指数KDYi以及使用评估指数KMS代入公式

远程操作模块：根据得到的风险评估等级，基于物联网连接对配电设备进行相应的风险警报，并执行对应的操作，具体为：

601：当风险评估等级为一级时，将对应参数发送至当前值班的管理人员移动终端上，管理人员对当前生成等级进行解析，得到配电设备当前整体状态，通过移动终端对配电设备对应运行参数进行远程调控后，基于配电设备所处环境状态以及可视化模型状态，判断是否需要进行现场维护；

602：当风险评估等级为二级时，当前值班管理人员基于配电设备当前整体状态远程对配电设备运行参数进行调控或停止设备工作，同时调配优效值RGH最高的管理人员前往现场进行检修、维护或调控，该管理人员当月总维护次数加一；

602-1：发送位置反馈指令至当前所有值班管理人员移动终端上，获取当前各管理人员的所在位置，将各管理人员所在位置与当前设备位置之间进行距离差计算得到维护距离值RA；同时获取各管理人员的工作时长RB以及当月维护总次数RC；

对各管理人员的维护距离值RA、工作时长RB以及当月维护总次数RC之间进行综合分析，具体为：

代入公式

需要说明的是，工作时长越长代表该对应管理人员相关维护经验较高；当月维护总次数较高，说明当前管理人员对比其他管理人员当月工作量较高；

深度学习算法模块：用于收集和储存云平台的监测数据分析结果，并建立对应模型，具体为：

K1：获取各监测时间段内的风险评估指数并进行解析，得到各监测时间段内风险评估指数对应的原始数据；

K1-101：对得到的原始数据进行预处理后，通过自动特征提取的方式，从对应原始数据中提取运行参数变化的特征并进行学习；

K1-102：基于大量的特征学习建立风险预测诊断模型；输入配电设备的实时监测运行参数并代入模型内，输出对应的运行风险预测结果；

K1-103：实时记录各监测时间段内的分析结果并整合进风险预测诊断模型内，进行更新；

K2：使用分析的图像样本，包括腐蚀图形、孔洞图像以及导线图像，训练一个分类器模型，并使用训练好的分类器模型，基于当前的分析结果，对原始的配电设备模型进行颜色标记，形成可视化模型；

云平台内还包括有数据可视化与报表分析模块，用于将监测数据以图表和报表形式显示；同时对可视化模型进行显示。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。