一种电气隐患多参数识别与预警方法和系统与流程

摘要: 本发明属于电气安全监测与智能预警,尤其涉及一种电气隐患多参数识别与预警方法和系统,适用于电力配电室、工业自动化产线、通信机房、商业建筑低压配电等全场景电气设备安...
一种电气隐患多参数识别与预警方法和系统与流程

本发明属于电气安全监测与智能预警,尤其涉及一种电气隐患多参数识别与预警方法和系统,适用于电力配电室、工业自动化产线、通信机房、商业建筑低压配电等全场景电气设备安全管控。

背景技术:

1、在电力、通信和工业自动化等领域,电气设备的故障往往与接触不良、漏电和电气连接松动等安全隐患密切相关。具体而言,这些隐患在实际运行中会导致以下严重的危险状况: 首先,接触电阻的异常升高会导致局部过热。在大电流环境下,接触电阻的微小增加(如由于接线端子松动、氧化层增厚或电化学腐蚀引起)会产生显著的焦耳热。这种热量积聚会导致绝缘材料老化、碳化,甚至引发严重的电气火灾,造成设备损毁及生产线停工。其次,剩余电流的异常波动是绝缘失效和漏电的直接体现。随着设备运行时间的增加,绝缘层可能因环境潮湿、化学侵蚀或机械磨损而性能下降。一旦出现漏电,不仅会引起电能损失,更严重的是,当漏电电流达到危险阈值时,会直接威胁到现场运维人员的人身安全,引发触电事故。

2、因此,电气设备运行中的隐患识别与预警是提升电气设备安全性和可靠性的必要措施。然而当前主流监测方法及系统存在五大核心技术短板,也是现有方法和系统创新性不足的关键痛点,具体为:

3、参数维度单一,未引入环境干扰补偿机制。现有方法和系统仅采集接触电阻、剩余电流、温度三类电气参数,忽略了环境温湿度、电磁干扰、负载波动带来的数据耦合干扰。例如夏季环境高温会造成温度传感器虚高、潮湿环境加速端子氧化、变频器谐波干扰剩余电流采样,仅靠固定阈值极易产生大量误报、漏报,无法区分“环境温升”与“故障发热”,早期微弱隐患被环境噪声完全淹没。

4、权重静态粗放,仅依靠人工规则简单调参。原有方法和系统仅依靠人工设定固定默认权重,仅通过参数变化率粗略切换权重场景,无全局寻优、无设备工况自学习,面对重载、轻载、间歇运行等多变工况时,参数风险贡献度匹配失真,多参数融合评估结果可信度低,缺乏自适应优化能力。

5、仅做瞬时静态判定,无趋势预测与超前预警能力。传统方法仅对当前单帧采样数据做阈值比对与矩阵判定,只能在隐患发展到显性异常后报警,无法捕捉“接触电阻缓慢抬升、温升渐进累积、漏电小幅持续上涨”的潜伏期时序特征,无法预测未来故障演化周期,预警滞后,丧失提前处置窗口期。

6、隐患判定黑箱化,无因果溯源与可解释推理。现有三维状态矩阵仅能输出隐患类型标签,无法输出故障传导链路(如“端子松动→接触电阻上升→持续发热→绝缘老化→漏电加剧” 链式因果关系),运维人员无法定位根本原因,仅知晓“存在风险”,不清楚隐患形成、扩散路径,不利于精准检修。

7、边缘与云端数据割裂,无分层协同轻量化计算。传统方法和系统将全部原始采样数据上传云端运算,边缘节点仅做简单采集,海量时序数据传输带宽占用高、延迟大;同时云端模型无法下发至本地,断网场景下丧失预警功能,工业现场复杂布线、分布式设备场景适配性差,不支持离线本地预警。

8、此外多数隐患在初期并不表现为单一参数的剧烈波动,而是呈现出“温升→接触电阻进一步增加→温升加速”的恶性循环,或表现为“绝缘降低→漏电增加→局部发热”的联动效应。如果仅依赖单一参数的阈值报警(如单纯的温度报警),往往会因为环境温度干扰导致误报,或者在隐患进入剧烈期之后才发出警报,失去了预警的提前量。

9、因此,如何在复杂的工业电磁环境下,实现接触电阻、剩余电流与温度、环境多参量的实时融合分析,同时解决权重自适应、时序超前预测、故障因果溯源、边缘云端协同四大技术难题,在隐患处于潜伏期时就能够精准识别并预测故障,已成为电气火灾防控领域中保障设备运行可靠性、提升电力安全管理水平的关键技术挑战。

技术实现思路

1、针对现有技术的不足,本发明提供一种电气隐患多参数识别与预警方法和系统,新增电流、电压、谐波等电气参数采集,以及电气多维数据和环境补偿机制、改进麻雀搜索算法自适应动态权重、cnn-lstm时序预测、电气故障事理图谱因果溯源、边缘-云端分层协同推理架构五大创新核心,同步拓展感知维度至电气加环境的多维数据,采用物理机理约束与数据驱动复合算法对电气状态进行智能分析、超前预测、根本原因定位,实现对潜伏期潜在安全隐患的精准识别、分级预警、自动生成靶向维护策略,解决传统方法和系统误报率高、预警滞后、无法溯源、离线失效等行业痛点。

2、本发明的技术方案为:

3、一方面,本发明提供一种电气隐患多参数识别与预警方法,包括以下步骤:

4、采集多维多源参数;所述多维多源参数包括电气设备的监测参数和环境参量。

5、基于ica独立成分分析分离环境参量干扰,对原始电气设备监测参数进行修正,得到修正后的电气设备监测参数。

6、计算各修正后的电气设备监测参数的无量纲风险评分,并利用改进麻雀搜索算法迭代求解各无量纲风险评分的权重,对各修正后的电气设备监测参数的无量纲风险评分进行加权,得到综合风险指数。

7、利用设定滑动窗口内的修正后的电气设备监测参数构成多维标准化风险特征序列,通过预训练的cnn-lstm 混合模型进行风险预测,得到不同时间尺度的预测综合风险指数。

8、根据综合风险指数、不同时间尺度的预测综合风险指数和设定滑动窗口内的修正后的电气设备监测参数的变化趋势,识别风险等级,并根据预先构建的电气故障事理图谱推理出故障溯源链路。;

9、根据风险等级进行报警并对故障溯源链路进行可视化,将所有多维多源参数、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路在边缘端本地flash存储;上传电气设备故障时的多维标准化风险特征序列片段、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路到云端。

10、获取电气设备型号、历史维修记录,并结合故障溯源链路自动生成差异化维护策略。

11、云端根据异常时的多维标准化风险特征序列片段、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路对各无量纲风险评分的权重和cnn-lstm 混合模型进行增量迭代优化,扩充电气故障事理图谱,云端完成迭代后,通过 ota 轻量化下发至边缘监测节点。

12、进一步地,所述电气设备监测参数包括接触电阻、剩余电流、接点温度,电流、电压、谐波;所述环境参量包括环境温度、环境湿度、现场电磁干扰幅值。

13、进一步地,所述基于ica独立成分分析分离环境参量干扰,对原始电气设备监测参数进行修正,得到修正后的电气设备监测参数,具体为:

14、对接触电阻进行补偿:

15、(1);

16、其中,为修正后的接触电阻,为工况拟合补偿系数。

17、对剩余电流进行补偿:滤除变频器、电机产生的工频谐波干扰,自适应陷波消除现场电磁干扰,得到补偿后的剩余电流。

18、对接点温度进行补偿:

19、(2);

20、其中,为修正后的接点温度;为环境温升耦合系数。

21、进一步地,所述计算各修正后的电气设备监测参数的无量纲风险评分,并利用改进麻雀搜索算法迭代求解各无量纲风险评分的权重,对各修正后的电气设备监测参数的无量纲风险评分进行加权,得到综合风险指数,具体包括以下步骤:

22、a1:采用极差标准化将各修正后的电气设备监测参数转化为对应的无量纲风险评分;

23、(3);

24、(4);

25、(5);

26、其中,、和分别为接触电阻、剩余电流和接点温度对应的无量纲风险评分,取值范围为[0,1];、和为预设的接触电阻、剩余电流和接点温度的危急阈值,当实时采集的接触电阻、剩余电流和接点温度超过对应预设的危急阈值时,对应的无量纲风险评分取值为1;、和为接触电阻、剩余电流和接点温度的正常运行的基准值。

27、a2:利用改进麻雀搜索算法迭代求解各无量纲风险评分的权重。

28、a3:利用各无量纲风险评分的权重对各修正后的电气设备监测参数的无量纲风险评分进行加权,得到综合风险指数。

29、(6);

30、其中,、和分别为接触电阻、剩余电流和接点温度对应的无量纲风险评分的权重。

31、进一步地,所述a2包括以下步骤:

32、a2.1:将实时负载电流与预设的多个工况阈值进行比较,划分得到若干工况。

33、a2.2:针对每个工况,设定种群规模、最大迭代次数和超参数,所述超参数包括发现者比例、警戒者比例和安全阈值。

34、a2.3:根据种群规模,以设定初始权重为中心,在可行域附近随机生成麻雀,得到初始化麻雀种群,其中每个麻雀对应一组各无量纲风险评分的权重,且满足边界约束。

35、a2.4:设定当前迭代次数。

36、a2.5:计算当前所有麻雀的适应度函数值,并按照适应度函数值对麻雀进行排序,确定当前麻雀种群中的全局最优位置和全局最差位置。

37、a2.6:判断当前迭代此处是否达到最大迭代次数,是则输出当前的全局最优位置并执行a2.11,否则执行a2.7。

38、a2.7:按照发现者比例将当前种群中的麻雀划分为发现者和加入者,根据安全阈值更新发现者和加入者的位置。

39、a2.8:从当前种群中随机选取设定数量的警戒者,更新警戒者位置。

40、a2.9:计算当前所有麻雀的适应度函数值,若、、任一参数变化率持续抬升,自动放大对应参数权重。

41、a2.10:按照适应度函数值对麻雀进行排序,确定当前麻雀种群中的全局最优位置和全局最差位置,当前迭代次数加1并返回a2.6。

42、a2.11:将当前的全局最优位置作为当前工况下各无量纲风险评分的权重,得到全部工况下的各无量纲风险评分的权重。

43、进一步地,所述cnn-lstm 混合模型,包括依次设置的cnn 卷积层、lstm 循环层和输出层。

44、进一步地,所述根据综合风险指数、不同时间尺度的预测综合风险指数和设定滑动窗口内的修正后的电气设备监测参数的变化趋势,识别风险等级,并根据预先构建的电气故障事理图谱推理出故障溯源链路,具体包括:

45、b1:按照预设规则,根据综合风险指数、不同时间尺度的预测综合风险指数和设定滑动窗口内的修正后的电气设备监测参数的变化趋势,识别隐患类型和风险等级。

46、b2:基于修正后的电气设备监测参数的变化趋势、环境温度和环境湿度,利用预先构建的电气故障事理图谱进行溯源推理,得出故障溯源链路。

47、所述电气故障事理图谱中包括若干故障节点和因果有向边;所述故障节点表示电气设备的故障,因果有向边表示不同故障节点对应故障间的因果转移关系。

48、另一方面,本发明还提供一种电气隐患多参数识别与预警系统,用于实现一种电气隐患多参数识别与预警方法,包括:

49、边缘感知采集层,用于采集多维多源参数,基于ica 独立成分分析分离环境参量干扰,对原始电气设备监测参数进行修正,得到修正后的电气设备监测参数并上传至边缘本地推理层。

50、边缘本地推理层,采用工业级mcu +轻量化fpga协同架构,用于计算各修正后的电气设备监测参数的无量纲风险评分,并利用改进麻雀搜索算法迭代求解各无量纲风险评分的权重,对各修正后的电气设备监测参数的无量纲风险评分进行加权,得到综合风险指数;利用设定滑动窗口内的修正后的电气设备监测参数构成多维标准化风险特征序列,通过预训练的cnn-lstm 混合模型进行风险预测,得到不同时间尺度的预测综合风险指数;根据风险等级进行报警并对故障溯源链路进行可视化,将所有多维多源参数、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路进行本地存储;网络正常时,上传异常时的多维标准化风险特征序列片段、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路到云端协同管控层。

51、云端协同管控层,根据异常时的多维标准化风险特征序列片段、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路对各无量纲风险评分的权重和cnn-lstm混合模型进行增量迭代优化,扩充电气故障事理图谱。

52、进一步地,所述一种电气隐患多参数识别与预警系统还包括用户终端,用于实时展示多维多源参数、综合风险指数、不同时间尺度的预测综合风险指数和故障溯源链路。

53、第三方面,本技术提出一种电子设备,包括:一个或多个处理器,以及存储器,所述存储器用于存储指令,当所述指令被所述一个或多个处理器执行时,使得所述一个或多个处理器执行所述的一种电气隐患多参数识别与预警方法。

54、第四方面,本技术提出一种计算机可读存储介质,其存储有可执行的指令,所述指令当被执行时使得处理器执行所述的一种电气隐患多参数识别与预警方法。

55、第五方面,本技术提出一种计算机程序产品,包括计算机程序或指令,该计算机程序或指令被处理器执行时实现所述的一种电气隐患多参数识别与预警方法。

56、与现有技术相比较,本发明的有益效果为:

57、(1)采用电气多维数据和环境补偿机制,通过多维同步感知和ica 耦合干扰解耦算法消除环境温湿度、电磁谐波干扰,解决传统方案环境噪声造成的误报、漏报行业痛点,微弱潜伏期隐患检出率大幅提升。

58、(2)采用改进麻雀搜索算法 issa 全局自适应动态权重寻优替代人工固定权重,匹配设备多变负载工况,多参数风险融合评估精度大幅提升,风险等级判定更精准。

59、(3)cnn-lstm时序预测实现超前预警,实现从“参数越限事后报警”升级为“潜伏期超前风险预测”,大幅延长隐患处置窗口期,突破传统“参数越限才报警”的滞后缺陷,真正做到隐患萌芽阶段提前干预。

60、(4)事理图谱因果溯源实现诊断过程可解释,精准定位故障根因,为设备维护提供靶向、可落地的维修方案,减少无效运维,解决传统诊断黑箱问题,精准定位故障根因。

61、(5)云边分层协同架构兼顾本地离线可靠性与云端全局大数据迭代优化,适配工业、建筑、机房全场景分布式部署。

62、(6)完整覆盖数据采集-干扰补偿-风险评估-趋势预测-根因溯源-分级报警-智能维护-模型自优化全流程,构建完整电气安全预测性维护闭环,显著降低电气火灾、触电事故概率,缩减设备运维、停机维修综合成本,具备极高产业化推广价值。

63、(7)有效提升电气设备的安全管理水平,能够实时识别并预测各类潜在链式隐患,大幅降低电气火灾、触电事故发生风险,延长设备使用寿命,减少巡检、维修停机成本。

64、(8)系统具备高扩展性,可后续拓展电压、谐波、局部放电、烟雾等监测参数,适配新型电力系统、智能制造产线多元化安全监测需求,产业化应用前景广阔,能够为相关企业和机构提供系统安全保障。