一种基于自适应边缘代理的配电设备在线监测方法及系统

摘要

一种基于自适应智能边缘代理的配电设备在线监测方法，包括以下步骤：步骤1，对远端配电设备的数据进行采集，并对数据进行预处理；步骤2，基于预处理数据生成预警信息，并发送预警信息和预处理数据至报警或显示设备中，以显示当前预警；步骤3，若未生成预警信息，则基于深度学习图像识别模型，对配电设备场景图像进行分析并生成预警信息，以及将预警信息和配电设备场景图像传输至在线监测系统的报警或显示设备中；步骤4，重复步骤1‑3，以实现对基于自适应智能边缘代理的配电设备的实时监测。本发明中的方法，能够对配电设备的自适应智能边缘代理装置进行在线监测数据采集、分析、监控和预警，提高配电设备运行的可靠性和安全性。

说明书

技术领域

本发明涉及配电设备在线监测及故障预警领域，更具体地，涉及一种基于自适应智能边缘代理的配电设备在线监测方法及系统。

背景技术

电能从生产到消费具有发、输、变、配四个重要环节，其中，配电网作为最后一个环节，主要用于向用户分配和提供电能。作为配电网中的最基本、最重要的单元，配电设备的正常使用在确保供电可靠性与电网安全性上起着至关重要的作用。一旦配电设备发生故障，无法正常的向用户分配及提供电能，就势必会引发大面积的停电，对国民经济造成严重影响。

然而，现有技术中配电设备的检修方式还主要停留在计划检修模式。在计划检修模式中，检修人员会依照特定的时间周期对配电设备进行检查维护。这种模式不仅耗费人力，而且无法对配电设备进行实时监测。对于在非检修周期内发生故障的配电设备，检修人员也很难及时响应，无法在第一时间了解故障信息，造成了配电设备运行的不可靠及不安全性，影响电网可靠稳定的运行。

因此，亟需一种新的配电设备的监测方法。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于自适应智能边缘代理的配电设备在线监测方法，通过采集配电设备数据，并基于偏差度、智能运检模型、深度图像识别等方法对配电设备的异常运行情况进行监测。

本发明采用如下的技术方案。一种基于自适应智能边缘代理的配电设备在线监测方法，包括以下步骤：步骤1，对在线监测系统中远端配电设备的数据进行采集，并对数据进行预处理；步骤2，基于预处理数据生成预警信息，并发送预警信息和与预警信息对应的预处理数据至在线监测系统的报警或显示设备中，以显示当前预警；步骤3，若步骤2中未生成预警信息，则基于深度学习图像识别模型，对配电设备场景图像进行分析并基于分析生成预警信息，以及将预警信息和与预警信息对应的配电设备场景图像传输至在线监测系统的报警或显示设备中，以显示当前预警；步骤4，重复步骤1-3，以实现对基于自适应智能边缘代理的配电设备的实时监测。

优选地，步骤1中对在线监测系统中远端配电设备的数据进行采集包括：采集配电设备环境数据、配电设备运行数据、配电设备运行场景图像；其中，配电设备环境数据包括环境温度、环境湿度、环境水位；配电设备运行数据包括配电设备电压、配电设备电流、配电设备电量。

优选地，步骤1中的预处理包括：对采集到的数据按固定时间段进行分组，并计算分组数据的平均值、最大值和最小值。

优选地，步骤2中基于预处理数据生成预警信息包括：步骤2.1，判断分组数据的最大值和最小值是否落入预先设定的当前数据的合理范围内，若未落入预先设定的当前数据的合理范围内，则生成预警信息；步骤2.2，若落入预先设定的当前数据的合理范围内，则将分组数据与历史数据进行对比，以计算出分组数据的偏差度并生成分析报告，若分组数据的偏差度超过预先设定的合理阈值，则生成预警信息；步骤2.3，若分组数据的偏差度未超过预先设定的合理阈值，则基于智能运检模型对分组数据、历史数据和分析报告进行分析，若分析结果异常，则生成预警信息；步骤2.4，若分析结果正常，则在预设时间间隔内重复步骤2.1至2.4以对预设时间间隔中新采集并执行过预处理的数据进行分析。

优选地，发送预警信息和与预警信息对应的预处理数据至在线监测系统的报警或显示设备还包括：将步骤2或步骤3中生成的预警信息发送至告警信息报警设备，以实现报警；将步骤2.2中生成的分析报告发送至分析报告显示设备，以实现分析报告在在线监测系统中的显示；将步骤3中生成的与预警信息对应的配电设备场景图像发送至现场场景显示设备，以实现场景图像在在线监测系统中的显示。

优选地，分析报告用于记录分组数据的最大值、最小值和偏差度。

优选地，智能运检模型将分组数据以及分组数据的最大值、最小值和偏差度输入预先训练得到的深度神经网络中，以基于深度神经网络的计算，判断分组数据是否存在异常。

优选地，深度神经网络是基于历史数据的预先训练得到的。

优选地，偏差度的计算公式为

式中，y

ω

x

x

优选地，步骤3中还包括：深度学习图像识别模型，采用深度卷积网络，利用PatchGan方法对异常图像进行识别；其中，深度卷积网络中最后一层特征图的大小为30*30p

优选地，在线监测系统包括感知层、分析层、网络层以及监控层。

本发明第二方面，涉及一种基于自适应智能边缘代理的配电设备在线监测方法，其中，感知层包括配电设备环境数据采集装置、配电设备运行数据采集装置、配电设备运行场景采集装置，分别用于采集在线监测方法所需的配电设备环境数据、配电设备运行数据和配电设备运行场景图像；分析层包括自适应智能边缘计算模块、智能运检模型、深度学习图像识别模型，用于对感知层采集到的数据进行分析计算以获得配电设备运行异常的预警；网络层，基于电力光纤网络、4G无线网络、5G无线网络中的一种或多种实现，用于连接感知层、分析层和监控层，以将采集到的数据和分析计算获得的预警信息、与预警信息对应的预处理数据、与预警信息对应的配电设备场景图像发送至监控层；监控层包括告警信息报警设备、分析报告显示设备、现场场景显示设备，用于基于网络层发送的数据显示当前预警。

本发明的有益效果在于，与现有技术相比，本发明中一种基于自适应智能边缘代理的配电设备在线监测方法，能够实现对配电设备的自适应智能边缘代理装置在线监测数据采集、分析、监控以及预警，提高配电设备运行的可靠性和安全性。

附图说明

图1为本发明一种基于自适应智能边缘代理的配电设备在线监测方法中方法流程示意图；

图2为本发明一种基于自适应智能边缘代理的配电设备在线监测系统的模块结构示意图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

图1为本发明一种基于自适应智能边缘代理的配电设备在线监测方法中方法流程示意图。如图1所示，本发明第一方面，涉及了一种基于自适应智能边缘代理的配电设备在线监测方法，包括步骤1至4。

步骤1，对在线监测系统中远端配电设备的数据进行采集，并对数据进行预处理。

优选地，步骤1中对在线监测系统中远端配电设备的数据进行采集包括：采集配电设备环境数据、配电设备运行数据、配电设备运行场景图像；其中，配电设备环境数据包括环境温度、环境湿度、环境水位；配电设备运行数据包括配电设备电压、配电设备电流、配电设备电量。

本发明一实施例中，可以按照间隔5秒的方式对配电设备的数据进行持续采集。可以根据温湿度传感器、水位监测装置、电压表、电流表、监控设备等仪器实现配电设备环境数据、运行数据以及现场图像场景等不同数据的采集。

设置5秒的间隔进行采集，既能够满足监测的实时性和准确性的要求，又不会增加网络层的数据传输压力。另外，为了确保配电设备运行数据、环境数据等内容采集的可靠性，可以在采集数据之前同时记录下相应的配电设备的型号以作综合的数据预处理。

优选地，步骤1中的预处理包括：对采集到的数据按固定时间段进行分组，并计算分组数据的平均值、最大值和最小值。本发明一实施例中，可以设置固定时间段为1分钟。并且基于预处理，计算出一分钟这一分组内所有采集到的某类型数据的平均值、最大值和最小值。

步骤2，基于预处理数据生成预警信息，并发送预警信息和与预警信息对应的预处理数据至在线监测系统的报警或显示设备中，以显示当前预警。

优选地，如图1所示，步骤2中基于预处理数据生成预警信息包括：

步骤2.1，判断分组数据的最大值和最小值是否落入预先设定的当前数据的合理范围内，若未落入预先设定的当前数据的合理范围内，则生成预警信息。

步骤2.2，若落入预先设定的当前数据的合理范围内，则将分组数据与历史数据进行对比，以计算出分组数据的偏差度并生成分析报告，若分组数据的偏差度超过预先设定的合理阈值，则生成预警信息。

步骤2.3，若分组数据的偏差度未超过预先设定的合理阈值，则基于智能运检模型对分组数据、历史数据和分析报告进行分析，若分析结果异常，则生成预警信息。

步骤2.4，若分析结果正常，则在预设时间间隔内重复步骤2.1至2.4以对预设时间间隔中新采集并执行过预处理的数据进行分析。

可以理解的是，根据对分组数据的最大值、最小值是否落入了合理的预设范围可以知道，分组数据是否处于正常的运行区间内，若是分组数据未落入正常的运行区间，则可知设备发生了异常情况。

优选地，分析报告用于记录分组数据的最大值、最小值和偏差度。根据分析报告记录的数据，配电设备的运维人员和配电网的自动运行系统可以获得相关异常的原因，并根据相关原因寻找解决办法。

可以理解的是，即便当前的这一分组数据已经落入了正常运行的数据范围内，还可以进一步地分析其是否具有异常的可能性。根据偏差度的计算，可以获得分组数据与历史数据的区别，基于该区别，则可知道当前时间段内，即一分钟内设备环境的变化，或者是设备运行性能、运行场景的变化。根据这些变化可以判断出当前的配电设备是否发生了异常。

其中，偏差度可以利用对比分析算法进行计算，偏差度的计算公式为

优选地，智能运检模型将分组数据以及分组数据的最大值、最小值和偏差度输入预先训练得到的深度神经网络中，以基于深度神经网络的计算，判断分组数据是否存在异常。

可以理解的是，当完成偏差度计算后，可以大致分析出哪些数据处于异常状态，需要告警。另外，为了更加准确地获得到配电设备的异常，还可以采用现有技术中已经存在的智能运检模型进行异常判断。

例如，可以基于深度神经网络实现智能运检模型。该深度神经网络可以是经过历史数据预先训练获得的。随后，可以将当前的分组数据输入其中，以更加精确的方式进行配电设备的异常判断。

优选地，发送预警信息和与预警信息对应的预处理数据至在线监测系统的报警或显示设备还包括：将步骤2或步骤3中生成的预警信息发送至告警信息报警设备，以向监控人员或配电设备运维人员报警；将步骤2.2中生成的分析报告发送至分析报告显示设备，以实现分析报告在在线监测系统中的显示。

步骤3，若步骤2中未生成预警信息，则基于深度学习图像识别模型，对配电设备场景图像进行分析并基于分析生成预警信息，以及将预警信息和与预警信息对应的配电设备场景图像传输至在线监测系统的报警或显示设备中，以显示当前预警。

优选地，深度神经网络是基于历史数据的预先训练得到的。其中，深度学习图像识别模型，采用深度卷积网络，利用PatchGan方法对异常图像进行识别；其中，深度卷积网络中最后一层特征图的大小为30*30p

本发明中，深度学习图像识别模型与传统的模型不同，传统的模型是将正常图像与异常图像传入模型中，模型经过深度卷积网络和全连接神经网络将图像降采样，最后生成一个正常与异常的分类结果。但本发明中的深度学习模型只采用深度卷积网络，利用PatchGan的方法，将图像卷积到30×30大小的特征图，再对所得的特征图进行正常与异常分类。

优选地，将步骤3中生成的与预警信息对应的配电设备场景图像发送至现场场景显示设备，以实现场景图像在在线监测系统中的显示。

步骤4，重复步骤1-3，以实现对基于自适应智能边缘代理的配电设备的实时监测。

本发明中，可以以一分钟为间隔，重复执行上述步骤，以实现对配电设备实时采集数据的实时分析计算以及实时在线监测。

图2为本发明一种基于自适应智能边缘代理的配电设备在线监测系统的模块结构示意图。如图2所示，本发明第二方面，涉及一种如本发明第一方面中所述基于自适应智能边缘代理的配电设备在线监测方法的基于自适应智能边缘代理的配电设备在线监测系统。在线监测系统包括感知层、分析层、网络层以及监控层。

优选地，感知层包括配电设备环境数据采集装置、配电设备运行数据采集装置、配电设备运行场景采集装置，分别用于采集在线监测方法所需的配电设备环境数据、配电设备运行数据和配电设备运行场景图像。

分析层包括自适应智能边缘计算模块、智能运检模型、深度学习图像识别模型，用于对感知层采集到的数据进行分析计算以获得配电设备运行异常的预警。其中，自适应智能边缘计算模块、智能运检模型、深度学习图像识别模型均可内置于边缘计算芯片中，并基于边缘计算芯片实现。

网络层，基于电力光纤网络、4G无线网络、5G无线网络中的一种或多种实现，用于连接感知层、分析层和监控层，以将采集到的数据和分析计算获得的预警信息、与预警信息对应的预处理数据、与预警信息对应的配电设备场景图像发送至监控层。

监控层包括告警信息报警设备、分析报告显示设备、现场场景显示设备，用于基于网络层发送的数据显示当前预警。

本发明的有益效果在于，与现有技术相比，本发明中一种基于自适应智能边缘代理的配电设备在线监测方法，能够实现对配电设备的自适应智能边缘代理装置在线监测数据采集、分析、监控以及预警，提高配电设备运行的可靠性和安全性。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。