一种面向AIDC的高压直流配电智能监控方法及系统与流程
本发明涉及配电网络数据采集控制,具体涉及一种面向aidc的高压直流配电智能监控方法及系统。
背景技术:
1、随着人工智能、大模型训练及高性能计算业务的快速发展,aidc(智算中心)的功率密度持续提升,高压直流配电系统因具有供电效率高、转换环节少以及能耗低等特点,被广泛应用于aidc供电场景中。在高压直流配电系统运行过程中,连接器松动、绝缘老化、线缆磨损以及器件状态异常等情况可能引发电弧故障。由于直流系统不存在交流过零点,电弧形成后不易自然熄灭,持续燃弧容易造成局部过热、设备损坏甚至引发火灾事故,从而影响智算中心供电系统的安全稳定运行。
2、现有技术中,配电系统通常配套部署有scada(supervisory control and dataacquisition,监督控制与数据采集系统),通过scada采集电流、电压等运行电数据,并从中提取均值、峰值、方差、谐波分量、纹波参数或者频域特征值等特征参数,输入机器学习模型进行训练与识别,以判断是否发生电弧故障。scada能够实现对部分异常状态的检测,但在aidc场景下,gpu服务器、电源模块以及高动态负载设备在运行过程中会产生频繁的功率波动,同时,高压直流配电系统中的电信号还容易受到负载切换、电磁干扰以及瞬态冲击等因素影响,导致采集信号中包含较多噪声成分,使得电流信号呈现出明显的非平稳特性。
3、在上述复杂运行工况下,电弧故障初期产生的微弱异常特征容易被负载波动以及噪声信号淹没,导致当机器学习模型基于所提取的特征参数进行识别时,特征参数的区分度容易下降,进而影响scada对于电弧故障识别的准确性。
技术实现思路
1、本发明的目的在于解决上述背景技术中提到的aidc场景下直流电弧故障识别准确性不足的问题,而提出一种面向aidc的高压直流配电智能监控方法及系统。
2、本发明实施的第一方面,提供了一种面向aidc的高压直流配电智能监控方法,所述方法包括:
3、获取智算中心高压直流配电系统中每个监测节点的实时电流信号;所述监测节点包括直流母线、分支馈线、列头柜输入端以及服务器电源输入端;
4、对第一目标电流信号进行分解和去噪处理,得到特征矩阵和第二目标电流信号;所述第一目标电流信号是任意一个监测节点的实时电流信号;
5、将所述特征矩阵输入预训练的第一识别模型,得到第一检测结果;
6、将所述第二目标电流信号转换为二维时频图,得到目标灰度图;
7、将所述目标灰度图输入预训练的第二识别模型,得到第二检测结果;
8、根据所述第一检测结果和所述第二检测结果,进行综合判断,生成预警信息。
9、可选的,所述对第一目标电流信号进行分解和去噪处理,得到特征矩阵和第二目标电流信号包括:
10、对所述第一目标电流信号进行变分模态分解,得到多个模态分量;
11、计算每个模态分量的初始评价指标;所述初始评价指标包括峭度以及与第一目标电流信号的皮尔逊相关系数;
12、根据各模态分量的初始评价指标,计算其质量分数;
13、根据各模态分量的质量分数,将模态分量划分为高质量模态分量和低质量模态分量;
14、对所述低质量模态分量进行去噪,得到增强后的低质量模态分量;
15、将所述高质量模态分量和增强后的低质量模态分量,组合得到特征矩阵;
16、将所述高质量模态分量和增强后的低质量模态分量进行重构,得到第二目标电流信号。
17、可选的,所述根据各模态分量的初始评价指标,计算其质量分数包括:
18、采用最小最大归一化算法将各模态分量的初始评价指标进行归一化,得到归一化的初始评价指标;
19、计算每个归一化的初始评价指标的均值和标准差,并据此计算加权系数:
20、;
21、其中,wk和wc是所求加权系数;、分别是归一化的峭度的均值和标准差;、分别是归一化的皮尔逊相关系数的均值和标准差;、分别是峭度和皮尔逊相关系数的离散程度指标;
22、根据所述加权系数,将任一个模态分量的归一化的初始评价指标加权求和,得到其质量分数:
23、;
24、其中,si是第i个模态分量的质量分数;ki和ci分别是第i个模态分量的归一化的峭度和皮尔逊相关系数。
25、可选的,所述根据各模态分量的质量分数,将模态分量划分为高质量模态分量和低质量模态分量包括:
26、采用k-means聚类算法将所有模态分量的质量分数划分为2个簇;
27、将质量分数均值较大的簇判定为高质量簇,将其对应的模态分量判定为高质量模态分量;
28、将质量分数均值较低的簇判定为低质量簇,将其对应的模态分量判定为低质量模态分量。
29、可选的,采用小波阈值降噪算法对低质量模态分量进行去噪,得到增强后的低质量模态分量;具体包括:
30、对目标模态分量进行离散小波变换,得到细节系数和近似系数;所述目标模态分量是任意一个低质量模态分量;
31、采用预设的阈值函数对细节系数进行阈值处理:
32、;
33、其中,是第i层的第j个细节系数;是处理后的细节系数;是第i层的阈值;exp()是自然指数函数;a是预设的调节参数,为不大于1的正数;
34、对近似系数与处理后的细节系数执行逆小波变换,得到增强后的低质量模态分量。
35、可选的,所述第一识别模型采用时间卷积网络。
36、可选的,采用连续小波变换将所述第二目标电流信号转换为二维时频图。
37、可选的,所述第二识别模型采用残差网络。
38、可选的,所述根据所述第一检测结果和所述第二检测结果,进行综合判断,生成预警信息包括:
39、若所述第一检测结果和所述第二检测结果均显示发生电弧故障,则根据所述第一目标电流信号对应的监测节点,确定故障位置,生成第一类预警信息,执行保护动作;
40、若所述第一检测结果和所述第二检测结果仅有一方显示发生电弧故障,则生成第二类预警信息,提示复核。
41、本发明实施的第二方面,提供了一种面向aidc的高压直流配电智能监控系统,所述系统包括:
42、数据获取模块,用于获取智算中心高压直流配电系统中每个监测节点的实时电流信号;所述监测节点包括直流母线、分支馈线、列头柜输入端以及服务器电源输入端;
43、数据处理模块,用于对第一目标电流信号进行分解和去噪处理,得到特征矩阵和第二目标电流信号;所述第一目标电流信号是任意一个监测节点的实时电流信号;
44、时序检测模块,用于将所述特征矩阵输入预训练的第一识别模型,得到第一检测结果;
45、时频检测模块,用于将所述第二目标电流信号转换为二维时频图,得到目标灰度图;将所述目标灰度图输入预训练的第二识别模型,得到第二检测结果;
46、综合判断模块,用于根据所述第一检测结果和所述第二检测结果,进行综合判断,生成预警信息。
47、本发明的有益效果:
48、1、相较于依赖人工构造特征的传统机器学习方法,本发明通过引入深度学习模型,能够自动从原始时序数据与时频图像中学习多层次非线性特征表达,避免人工特征设计对经验的依赖,提高特征表达的完整性与适应性。同时,深度神经网络具备更强的非线性建模能力,能够有效刻画aidc高压直流配电系统中电信号与负载波动、电弧故障之间的复杂映射关系,从而提升配电网络的scada的准确性与泛化能力。
49、2、通过对低质量模态分量进行选择性去噪处理,在保留高质量模态有效故障信息的基础上,对低质量模态分量进行局部优化,有效抑制电磁干扰、采样噪声引入的随机扰动,增强电弧故障等弱异常特征的可检测性,提高后续特征提取与识别模型的判别性能。
50、3、通过构建双通道识别结构,将识别结果融合实现互补判别,能够弥补单一数据表征方式信息不完整的问题,提高对电弧故障特征的覆盖能力,降低单模型结构下的误判与漏判风险。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com