一种电气设备状态监测方法及系统与流程

本发明涉及电气设备监测，特别是一种电气设备状态监测方法及系统。

背景技术：

1、电气设备状态监测技术通常指记录被监测设备的多项数据，随着信息技术和传感技术的迅猛发展，现代电气设备状态监测系统逐渐引入了智能传感器、物联网(iot)和大数据分析等先进技术，使得电气设备的状态监测变得更加智能和高效，能够实现实时监测和远程数据采集，近年来，人工智能(ai)和机器学习(ml)技术在电气设备状态监测中的应用开始展现出巨大的潜力，不仅能够提高监测精度和响应速度，还能实现智能化的决策支持，为电力系统的安全稳定运行提供了有力保障。

2、尽管现代电气设备状态监测技术取得了长足进步，但现有监测系统在数据采集和处理过程中，根据采集项数据以及采集设备的采集频率的不同，往往面临数据缺失和噪声干扰的问题，数据缺失和噪声不仅会影响监测数据的质量，还会导致预测模型的准确性下降，同时现有电气设备状态监测随着检测项数据的增加，导致数据量繁杂且不便基于当前监测风险进行综合动态调整，无法根据实时的监测数据和风险评分动态调整采样频率，降低了电气设备状态的监测效率。

技术实现思路

1、鉴于上述现有的电气设备状态监测方法及系统中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于现有监测系统在数据采集和处理过程中，根据采集项数据以及采集设备的采集频率的不同，往往面临数据缺失和噪声干扰的问题，数据缺失和噪声不仅会影响监测数据的质量，还会导致预测模型的准确性下降，同时现有电气设备状态监测随着检测项数据的增加，导致数据量繁杂且不便基于当前监测风险进行综合动态调整，无法根据实时的监测数据和风险评分动态调整采样频率，降低了电气设备状态的监测效率。

3、为解决上述技术问题，本发明提供如下技术方案：一种电气设备状态监测方法，其包括，

4、根据监测的电气设备采集项进行数据采集，并进行异常值剔除；

5、设定初始采集频率并基于采集项分别进行线性插值和样条插值，填补采集项数据；

6、构建长短期记忆网络lstm模型进行时间序列预测，综合分析采集实际值与预测值的偏差并计算风险评分，设定采样周期，基于风险评分动态调整采样频率分析设备状态监测的效率；

7、基于采集数据和风险评分数据进行可视化展示，对数据进行安全存储与管理。

8、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述根据监测的电气设备采集项进行数据采集，并进行异常值剔除，包括，

9、所述电气设备通过多功能传感器和智能电表根据采集项进行数据采集，采集项包括电气数据和环境数据，其中电气数据包括电压偏差和频率偏差，环境数据包括温度、震动和噪音以及对应采集项的监测频率；

10、采用低通滤波器，对数据进行平滑处理，保留低频有效信号，去除高频噪声；

11、使用三sigma法则剔除异常值，计算采集项数据的均值和标准差，并进行异常值剔除，表示为：

12、

13、其中x表示采集项数据，μ表示采集项均值，σ表示采集项标准差；

14、将超出范围的值视为异常值并进行剔除。

15、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述设定初始采集频率并基于采集项分别进行线性插值和样条插值，填补采集项数据，包括，

16、将采集项的最大监测频率作为初始采集频率；

17、基于采集项数据进行时间序列同步，并对环境数据使用线性插值法填补数据，表示为：

18、

19、其中xt和xt+n表示事件t和t+n的已采集环境数据，xt+i表示插值后的采集环境数据，i表示插值的位置，n表示时间步长；

20、基于采集项的电气数据使用样条插值法填补数据，表示为：

21、si(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3；

22、其中ai、bi、ci和di为三次样条函数的系数，x表示自变量时间，xi表示第i个电气数据采集时间点，si(x)表示第i个分段区间的插值结果；

23、通过初始采集频率确定需要插值的时间点，并基于电气数据的采集时间确定需要插值的时间点的所属区间，通过样条函数计算插值结果。

24、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述构建长短期记忆网络lstm模型进行时间序列预测，综合分析采集实际值与预测值的偏差并计算风险评分，包括，

25、将插值后的数据序列按时间顺序排列，对数据进行标准化处理；

26、构建长短期记忆网络lstm模型进行时间序列预测，包括输入层、隐藏层和输出层，其中输入层接收采集项的采集数据，隐藏层和输出层通过lstm单元识别时间序列，并通过最后一个lstm单元的输出作为未来时间的预测值；

27、基于时间t的采集项数据作为采集实际值，比对长短期记忆网络lstm模型在时间t的预测值，计算采集实际值与预测值差的绝对值作为绝对偏差值；

28、基于绝对偏差值，综合考虑采集实际值与预测值的相对偏差和趋势偏差，表示为：

29、

30、其中cdit表示综合偏差值，aet表示时间t的绝对偏差值，yt-1表示时间t-1的实际采集值，表示时间t-1的lstm模型预测值，yt表示时间t的实际采集值，表示时间t的lstm模型预测值；

31、基于综合偏差指数cdit使用线性回归模型判断风险评分，表示为：

32、rt＝α+β·cdit；

33、其中α表示风险评分的基线值，rt表示时间t的风险评分，β表示综合偏差指数的权重；

34、分析历史数据中的风险评分的数据分布，基于95百分位数作为风险阈值；

35、若计算的风险评分大于等于风险阈值，则判定高风险，并设定采集项监测频率数据的最大频率作为采集频率；

36、若计算的风险评分小于风险阈值，则判定低风险，并动态设定采集频率。

37、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述设定采样周期，基于风险评分动态调整采样频率分析设备状态监测的效率，包括，

38、基于当前的采集频率设定采样周期，表示为：

39、

40、其中tt表示在时间t风险评分的采样周期，f't表示在当前时间t的采集频率；

41、在风险评分的采样周期内，基于风险评分rt的动态调整采样频率，表示为：

42、

43、其中ft表示动态采样频率，rmin表示采样周期内的风险评分最小值，r95表示采样周期内的风险评分95百分位数，fmax表示采样周期内的采样频率最大值，fmin表示采样周期内的采样频率最小值；

44、基于动态采样频率的计算替换初始采样频率，分析动态能耗，并计算动态能与基准能耗的插值，表示为：

45、

46、δe＝ed-ed；

47、其中ed表示采样周期内的动态能耗，δe表示能耗差值，eb表示采样周期内的基准能耗；

48、基于采样周期的能耗差值分析设备状态监测的效率，表示为：

49、

50、其中η设备状态监测的效率，n表示采样周期总数，δei表示第i个采样周期的能耗差值，eb,i表示第i个采样周期的基准能耗。

51、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述基于采集数据和风险评分数据进行可视化展示，包括，

52、使用python中的seaborn可视化库，手机并确认需要展示的数据包括风险评分rt、采样频率ft、综合偏差值cdit、能耗差值δe、状态监测的效率η、实际采集值yt和lstm模型预测值

53、通过matplotlib工具绘制绘制风险评分和采样频率变化图，通过折线图展示数据变化，并标注95百分位数的阈值线，接着绘制实际值与预测值对比图，添加图例和注释，在图表中标注关键数据点，使用matplotlib工具进行标注。

54、作为本发明所述电气设备状态监测方法的一种优选方案，其中：所述对数据进行安全存储与管理指使用关系型数据库postgresql进行结构化数据存储和管理，使用etl工具进行数据存储和管理，定期将风险评分rt、状态监测的效率η、采样频率ft、综合偏差值cdit、能耗差值δe、实际采集值yt和lstm模型预测值存储到数据库中，使用数据库备份工具mysqldump进行定期备份，并使用数据库安全工具aws rds保护数据库的安全性和访问控制。

55、本发明的另外一个目的是提供一种电气设备状态监测方法的系统，其包括，

56、数据采集模块，通过采集设备采集电气设备的监测数据，包括电气数据和环境数据；

57、异常值剔除模块，计算数据的均值和标准差，剔除超过3个标准差范围的异常数据；

58、数据插值模块，基于采集项的初始采集频率，对缺失数据进行线性插值和样条插值填补；

59、lstm模型预测模块，构建长短期记忆网络lstm模型进行时间序列预测，分析采集实际值与预测值的偏差并计算风险评分；

60、频率调整模块，设定采样周期，基于风险评分动态调整采样频率；

61、可视化展示模块，基于采集数据和风险评分数据进行可视化展示；

62、数据管理模块，对数据进行安全存储与管理。

63、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述电气设备状态监测方法的步骤。

64、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述电气设备状态监测方法的步骤。

65、本发明有益效果为：通过多功能传感器和智能电表的全面数据采集，确保了电气设备状态和环境因素的综合监测，通过线性插值法和三次样条插值法进行的插值作业，达到了根据数据类型的不同进行不同复杂度插值的效果，提高了插值结果的精度和光滑性，确保了电气数据在时间序列上的平滑过渡，通过计算与lstm模型预测值之间的综合偏差值，可以进行风险评估计算，并动态调整采样频率，从而适时调整采样频率，达到根据适时监测数据的变化来调整采样频率的效果，进一步提高电气设备状态监测数据的使用效率。