基于嵌入式智能传感器的电力设备在线监测方法及系统

1.本发明涉及电力设备故障技术领域，特别涉及一种基于嵌入式智能传感器的电力设备在线监测方法及系统。


背景技术：

2.随着国家特高压交直流系统的不断建设，电网的稳定性和可靠性显得越来越重要，由此，电网对电力设备自身的安全可靠性提出了越来越严格的要求，电力设备自身可靠性作为电力设备安全可靠性的重要一环应受到重视，其中电力设备(power system)是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统。它将自然界的一次能源通过发电动力装置转化成电力，再经输电、变电和配电将电力供应到各用户。主要包括以发电设备和供电设备两大类，发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、点动机、变压器等等，供电设备主要是各种电压等级的输电线路、互感器、接触器等。
3.现有的电力设备都是通过人工不定时对电力设备进行监测，其不仅劳动力大，而且监测成本大大提高，由于人为误差比较大，从而导致监测效率大大降低，满足不了电力设备的检测，使用具有局限性，或是经常在电力设备故障点寻找环节上花费大量的时间和精力，很多偏远地区的故障点更是难以寻找，导致不能及时对故障点进行检修和维护，影响用户的用电质量。


技术实现要素：

4.(一)发明目的
5.鉴于上述问题，本发明的目的是提出一种基于嵌入式智能传感器的电力设备在线监测方法及系统，可对电力设备巡视实现实时在线监测，减少巡视次数，也可通过监控系统可实现分钟级巡视，从而降低电力设备故障造成的影响以及可快速找到故障点，减少电力设备故障对用户的影响，本发明公开了以下技术方案。
6.(二)技术方案
7.作为本发明的第一方面，本发明公开了一种基于嵌入式智能传感器的电力设备在线监测方法，包括：
8.采集各电力设备的数据信息，并对所述数据信息进行划分，获得若干个数据组；
9.基于预测模型，判断各所述数据组的故障状态，并对存在故障的数据组进行标记标签；
10.对标记标签的数据组进行分析，获得电力设备的故障信息。
11.在一种可能的实施方式中，所述获得电力设备的故障信息，之后，还包括：
12.根据所述电力设备的故障信息，确定故障位置。
13.在一种可能的实施方式中，所述对所述数据信息进行划分，获得若干个数据组，具体包括：
14.利用人工智能属性特征分析算法，对所述数据信息进行标记描述性标签；
15.根据描述性标签进行细分聚类；
16.根据细分聚类，获得若干个数据组。
17.在一种可能的实施方式中，所述对存在故障的数据组进行标记标签，具体包括：
18.若所述数据组存在故障，则对该所述数据组标记故障标签；
19.若所述数据组不存在故障，则存储该数据组的信息。
20.在一种可能的实施方式中，基于各电力设备的预设数据阈值，将所述数据组内的数据值与所述数据阈值进行对比，若大于阈值，则该数据值存在故障，若不小于阈值，则该数据值不存在故障。
21.作为本发明的第二方面，本发明还公开了一种基于嵌入式智能传感器的电力设备在线监测系统，包括：
22.数据采集模块，所述数据采集模块包括传感器和智能控制单元，所述传感器用于采集各电力设备的数据信息，所述智能控制单元用于对所述数据信息进行划分，获得若干个数据组；
23.边缘计算模块，所述边缘计算模块包括预测单元和标记单元，所述预测单元基于预测模型，判断各所述数据组的故障状态，并通过所述标记单元对存在故障的数据组进行标记故障标签；
24.云端平台，所述云端平台包括分析单元，所述分析单元对标记标签的数据组进行分析，获得电力设备的故障信息。
25.在一种可能的实施方式中，所述系统还包括定位模块，所述定位模块根据所述电力设备的故障信息，确定故障位置。
26.在一种可能的实施方式中，所述智能控制单元包括标签子单元、分类子单元和分组子单元；
27.所述标签子单元利用人工智能属性特征分析算法，对所述数据信息进行标记描述性标签；
28.所述分类子单元根据描述性标签进行细分聚类；
29.所述分组子单元根据细分聚类，获得若干个数据组。
30.在一种可能的实施方式中，所述标记单元对存在故障的数据组进行标记故障标签，具体包括：
31.若所述数据组存在故障，则对该所述数据组标记故障标签；若所述数据组不存在故障，则存储该数据组的信息。
32.在一种可能的实施方式中，所述分析单元包括阈值数据库、对比子单元；
33.所述阈值数据库用于存储各电力设备的预设数据阈值；
34.对比子单元基于所述预设数据阈值，将所述数据组内的数据值与所述数据阈值进行对比，若大于阈值，则该数据值存在故障，若不小于阈值，则该数据值不存在故障。
35.(三)有益效果
36.本发明公开的一种基于嵌入式智能传感器的电力设备在线监测方法及系统，具有如下有益效果：采用嵌入式智能传感器对终端电力设备进行数据信息采集和预处理，并利用边缘计算和分布式计算协同运行技术对终端数据进行计算，诊断潜在安全隐患及电力设备使用寿命，减少电力设备故障率，实现可靠进行全寿命周期预测。通过把计算、存储、应用
的资源放在网络的边缘侧，以便减少传输延迟和带宽消耗，通过可以根据实时网络信息提供可感知的服务。
附图说明
37.以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
38.图1是本发明公开的基于嵌入式智能传感器的电力设备在线监测方法流程图示意图；
39.图2是本发明公开的对数据信息进行划分的流程示意图；
40.图3是本发明公开的边缘计算技术的架构图；
41.图4是本发明公开的基于嵌入式智能传感器的电力设备在线监测系统结构示意图。
42.附图标记：500、数据采集模块；510、传感器；520、智能控制单元；521、标签子单元；522、分类子单元；523、分组子单元；600、边缘计算模块；610、预测单元；620、标记单元；700、云端平台；710、分析单元；711、对比子单元；720、阈值数据库；730、资源库；800、定位模块。
具体实施方式
43.为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
44.需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
46.下面参考图1-3详细描述本发明公开的一种基于嵌入式智能传感器的电力设备在线监测方法的第一实施例。本实施例主要应用于电力设备故障，通过采用嵌入式智能传感器对终端电力设备进行数据信息采集和预处理，并利用边缘计算和分布式计算协同运行技术对终端数据进行计算，诊断潜在安全隐患及电力设备使用寿命，减少电力设备故障，实现可靠进行全寿命周期预测。通过把计算、存储、应用的资源放在网络的边缘侧，以便减少传输延迟和带宽消耗，通过可以根据实时网络信息提供可感知的服务。
47.如图1所示，本实施例主要包括以下步骤：
48.s100、采集各电力设备的数据信息，并对数据信息进行划分，获得若干个数据组。
49.在步骤s100中，利用嵌入各电网终端的智能传感器对与电网连接的各电力设备进行采集数据信息，并对数据信息按照一定的属性或规则进行划分，将同属性或同类别的数
据信息划分至一组，获得若干个不同属性或不同类别的数据组。
50.进一步的，数据信息包括运行参数、设备参数，其中运行参数包括设备运行的电压、电流、噪声等等，设备参数包括设备的唯一编号、设备的额定电压、额定电流等等。
51.进一步的，在采集各电力设备的数据信息时，通过一个智能传感器采集一个电力设备，也可通过一个智能传感器采集多个电力设备，当一个智能传感器采集多个电力设备时，依次对每个电力设备进行采集，同时对同一个设备的数据信息标记上该设备的编号，以及采集时间。
52.进一步的，电力设备主要包括发电设备和供电设备两大类，其中发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、点动机、变压器等等，供电设备主要是各种电压等级的输电线路、互感器、接触器等。
53.如图2所示，在步骤s100中，对数据信息进行划分，获得若干个数据组，具体包括以下步骤：
54.s110、利用人工智能属性特征分析算法，对数据信息进行标记描述性标签；
55.s120、根据描述性标签进行细分聚类；
56.s130、根据细分聚类，获得若干个数据组。
57.通过智能传感器获得电力设备的数据信息，利用人工智能属性特征分析算法，对数据信息进行标记描述性标签，例如，对发电设备中的发电机进行标记描述性标签，如设备属性、设备编号、设备位置等等，如对发电机标记的描述性标签内容为：发电机；no02145(该发电机编号)；8:30(采集数据时间)；天津发电厂(发电机的位置)，根据描述性标签进行细分聚类，通过细分聚类，将采集的数据划分为若干个数据组，具体的：当一个智能传感器采集多个电力设备时，按照设备的类型进行分类，例如将属于发电设备归位一类，在对发电设备中的具体设备归位一类，或是将供电设备归为一类，在对供电设备进行分类等等；当一个智能传感器采集一个电力设备时，按照数据的类型进行分类，如将发电机的运行数据归位一类，设备参数数据归位一类等等，从而可以获的若干个数据组，该数据组中的数据具有相同属性或相同出处，以便于后续对数据的分析和判断，将数据进行分组，使其可并行对数据进行处理，节约处理数据处理时间。
58.在一种实施方式中，智能传感器包括智能控制模块和传感器，其中智能控制模块包括知识库、推理机、知识获取程序和综合数据库，其中知识库用于存放智能传感器运行过程中所需要的专家知识、经验值及传感器的基础参数，知识库中的知识是推理机发出命令的依据；综合数据模块用于存放智能传感器的原始数据及各种常用数据及各种参数；推理机根据传感器及综合数据中的数据，利用知识库中的知识进行思维、判断、推理后作出判断。知识库中存放人工智能属性特征分析算法和其他技术，综合数据模块存放采集各电力设备的数据信息，推理机将综合数据模块中的数据信息，通过知识获取程序选择知识库中算法并利用该算法对数据信息进行处理，最终获得若干个数据组。
59.s200、基于预测模型，判断各数据组的故障状态，并对存在故障的数据组进行标记标签；
60.如图3所示，在步骤s200中，利用边缘计算，将各数据组的数据与预测模型配置，从而获得数据组是否存在故障数据，若存在故障数据，则对该数据组进行标记，若不存在故障数据，则将该数据组进行存储，以便于于后期追溯。
61.在步骤s200中，将各数据组的数据与预测模型配置，具体包括：
62.将数据组按照数据采集的时序，将其表示为数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}其中，m＝{m
′1，m
′2，...}表示按照时序该数据组的当前数据实体，l
′
＝{...，l
′2，l
′1}和h
′
＝{h
′1，h
′2，...}分别表示按照时序该数据组的当前数据实体的在先和在后的相邻数据实体。
63.进而，利用bilstm网络对数据组进行特征提取，获得数据组的实体特征向量。将数据组的数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}为输入量输入bilstm网络，可以获得数据组的实体特征向量，表示为xm，即
64.xm＝f
bilstm
(...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...)
65.其中f
bilstm
(*)表示将数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}输入bilstm进行特征提取。
66.进而，采用原型网络预测模型，利用支撑集训练该原型网络预测模型之后，根据数据组的实体特征向量，获得故障状态类别。
67.原型网络预测模型是人工智能领域的一种重要模型，在利用支撑集样本训练后，同类别的特征向量经该模型处理后在特征上具备更大的相似性，可以对输入的特征向量实现类别预测。原型网络预测模型支撑集表示为：
68.s＝{(x1，y1)，(x2，y2)，...(xn，yn)}
69.其中x1，x2...xn表示支撑集中的样本数据组的实体特征，y1，y2...yn表示支撑集样本数据组各自对应的故障状态类别。假设共有k个故障状态类别，每个故障状态类别表示为k，则k∈{1，2...，k}，则对于每个故障状态类别k可以设置支撑集sk，支撑集sk中的样本数据组的故障状态类别均为k，则通过支撑集计算每个类别k的类别原型：
[0070][0071]
其中f
θ
(*)表示针对样本数据组的实体特征进行特征提取所获得的数据实体特征向量，本发明中即为bilstm网络提取的数据组的实体特征向量，ck作为类别原型表示第k类别中数据实体特征向量的平均表示。
[0072]
进而，原型网络可以计算输入的数据组的实体特征向量xm相对于k个故障状态类别中的每个故障状态类别k的分布：
[0073][0074]
其中k
′
表示k个类别中不属于类别k的其它类别。从而，原型网络预测模型可以特征向量xm相对于k个类别中的每个类别k的分布，确定数据组的的故障状态类别。
[0075]
进一步的，边缘计算节点中存储了局部配电网络模型，部署故障处理应用，配置事件处理规则，边缘计算节点会在收到数据时第一时间进行就地数据处理、故障监测分析，并将处理后的信息发送给云端平台，在这种模式下，可以在毫秒级的时间内完成故障分析和告警任务。基于边缘计算技术下，将分组好的数据组输入预测模型中，通过对数据的处理，获得故障数据，例如，预测模型中的发电机使用寿命为30年，将发电机的编号数据和采集时
间与预测模型中该发电机的初始编号数据和建立初始编号数据时间进行对比，发现该发电机已经工作29年了，则判断该数据组存在故障，当发现数据组中一个数据存在故障时，则停止对该组中其他数据的处理，直接判断该数据组存在故障，通过上述方式，可快速的判断出故障，提高监测效率。
[0076]
进一步，对存在故障的数据组标记故障标签，该标签可分为：已发生故障、将要发生故障两种，例如，可将运行数据的故障标记为已发生故障，对设备的寿命故障标记为将要发生故障。
[0077]
s300、对标记标签的数据组进行分析，获得电力设备的故障信息。
[0078]
在步骤s300中，基于各电力设备的预设数据阈值，将数据组内的数据值与数据阈值进行对比，若大于阈值，则该数据值存在故障，若不小于阈值，则该数据值不存在故障。
[0079]
进一步，在云端平台中，在资源库中存储各电力设备的基本参数以及额定运行参数等参数，在数据库中预设各电力设备的基础参数阈值和额定运行参数阈值，其中预设阈值小于参数值，且该预设阈值与预测模型中的数据相同。当云端平台接收标记故障的数据组时，先对数据组的标记标签进行判断，先处理标签为已发生故障的数据组，对比该数据组中的各数据值、基本参数/额定参数及预设的基本参数阈值/额定参数阈值，筛选出同时大于预设数据阈值和参数值的数据值，并根据该数据值获得故障信息，将该数据组中所有同时大于预设数据阈值和参数值的数据值处理完成后，在筛选大于预设数据阈值但小于参数值的数据值，并根据该数据值获得故障信息，进而对获取的故障信息进行排序，从而可直观的获得最严重的故障。
[0080]
进一步，故障信息包括发生故障的设备编号、具体故障内容和故障时间等。
[0081]
在步骤s300中，获得电力设备的故障信息，之后，还包括以下步骤：
[0082]
s400、根据电力设备的故障信息，确定故障位置。
[0083]
在步骤s400中，根据故障信息中的设备编号和故障时间，结合资源库中的设备编号，可获得设备安装位置，从而确定发生故障的位置，可及时对故障点记性检修和维护，减少寻找故障的环节和精力，降低故障对用户用电带来的影响。
[0084]
下面参考图4详细描述，基于同一发明构思，本发明实施例还提供了一种基于嵌入式智能传感器的电力设备在线监测系统的第一实施例。由于该方法所解决问题的原理与前述一种基于嵌入式智能传感器的电力设备在线监测方法相似，因此该方法所解决的问题可以参见前述，重复之处不再赘述。本实施例主要应用于电力设备故障，通过采用嵌入式智能传感器对终端电力设备进行数据信息采集和预处理，并利用边缘计算和分布式计算协同运行技术对终端数据进行计算，诊断潜在安全隐患及电力设备使用寿命，减少电力设备故障，实现可靠进行全寿命周期预测。通过把计算、存储、应用的资源放在网络的边缘侧，以便减少传输延迟和带宽消耗，通过可以根据实时网络信息提供可感知的服务。
[0085]
如图4所示，本实施例主要包括：数据采集模块500、边缘计算模块600和云端平台700。
[0086]
其中，数据采集模块500包括传感器510和智能控制单元520，传感器510用于采集各电力设备的数据信息，智能控制单元520用于对数据信息进行划分，获得若干个数据组。
[0087]
边缘计算模块600包括预测单元610和标记单元620，预测单元610基于预测模型，判断各数据组的故障状态，并通过标记单元620对存在故障的数据组进行标记故障标签。
[0088]
云端平台700包括分析单元710和阈值数据库720，分析单元710对标记标签的数据组进行分析，获得电力设备的故障信息；阈值数据库720用于存储各电力设备的预设数据阈值。
[0089]
利用嵌入各电网终端的智能传感器对与电网连接的各电力设备进行采集数据信息，并对数据信息按照一定的属性或规则进行划分，将同属性或同类别的数据信息划分至一组，获得若干个不同属性或不同类别的数据组。
[0090]
进一步的，数据信息包括运行参数、设备参数，其中运行参数包括设备运行的电压、电流、噪声等等，设备参数包括设备的唯一编号、设备的额定电压、额定电流等等。
[0091]
进一步的，在采集各电力设备的数据信息时，通过一个智能传感器采集一个电力设备，也可通过一个智能传感器采集多个电力设备，当一个智能传感器采集多个电力设备时，依次对每个电力设备进行采集，同时对同一个设备的数据信息标记上该设备的编号，以及采集时间。
[0092]
进一步的，电力设备主要包括发电设备和供电设备两大类，其中发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、点动机、变压器等等，供电设备主要是各种电压等级的输电线路、互感器、接触器等。
[0093]
在一种实施方式中，智能控制单元520包括标签子单元521、分类子单元522和分组子单元523，其中标签子单元521利用人工智能属性特征分析算法，对数据信息进行标记描述性标签；分类子单元522根据描述性标签进行细分聚类；分组子单元523根据细分聚类，获得若干个数据组。
[0094]
通过智能传感器获得电力设备的数据信息，利用人工智能属性特征分析算法，对数据信息进行标记描述性标签，例如，对发电设备中的发电机进行标记描述性标签，如设备属性、设备编号、设备位置等等，如对发电机标记的描述性标签内容为：发电机；no02145(该发电机编号)；8:30(采集数据时间)；天津发电厂(发电机的位置)，根据描述性标签进行细分聚类，通过细分聚类，将采集的数据划分为若干个数据组，具体的：当一个智能传感器采集多个电力设备时，按照设备的类型进行分类，例如将属于发电设备归位一类，在对发电设备中的具体设备归位一类，或是将供电设备归为一类，在对供电设备进行分类等等；当一个智能传感器采集一个电力设备时，按照数据的类型进行分类，如将发电机的运行数据归位一类，设备参数数据归位一类等等，从而可以获的若干个数据组，该数据组中的数据具有相同属性或相同出处，以便于后续对数据的分析和判断，将数据进行分组，使其可并行对数据进行处理，节约处理数据处理时间。
[0095]
在一种实施方式中，智能传感器包括智能控制模块和传感器510，其中智能控制模块包括知识库、推理机、知识获取程序和综合数据库，其中知识库用于存放智能传感器运行过程中所需要的专家知识、经验值及传感器510的基础参数，知识库中的知识是推理机发出命令的依据；综合数据模块用于存放智能传感器的原始数据及各种常用数据及各种参数；推理机根据传感器510及综合数据中的数据，利用知识库中的知识进行思维、判断、推理后作出判断。知识库中存放人工智能属性特征分析算法和其他技术，综合数据模块存放采集各电力设备的数据信息，推理机将综合数据模块中的数据信息，通过知识获取程序选择知识库中算法并利用该算法对数据信息进行处理，最终获得若干个数据组。
[0096]
在一种实施方式中，利用边缘计算，将各数据组的数据与预测模型配置，从而获得
数据组是否存在故障数据，若存在故障数据，则对该数据组进行标记，若不存在故障数据，则将该数据组进行存储，以便于于后期追溯。
[0097]
进一步，将各数据组的数据与预测模型配置，具体包括：
[0098]
将数据组按照数据采集的时序，将其表示为数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}其中，m＝{m
′1，m
′2，...}表示按照时序该数据组的当前数据实体，l
′
＝{...，l
′2，l
′1}和h
′
＝{h
′1，h
′2，...}分别表示按照时序该数据组的当前数据实体的在先和在后的相邻数据实体。
[0099]
进而，利用bilstm网络对数据组进行特征提取，获得数据组的实体特征向量。将数据组的数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}为输入量输入bilstm网络，可以获得数据组的实体特征向量，表示为xm，即
[0100]
xm＝f
bilstm
(...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...)
[0101]
其中f
bilstm
(*)表示将数据实体组合x＝{...，l
′2，l
′1，m
′1，m
′2，h
′1，h
′2，...}输入bilstm进行特征提取。
[0102]
进而，采用原型网络预测模型，利用支撑集训练该原型网络预测模型之后，根据数据组的实体特征向量，获得故障状态类别。
[0103]
原型网络预测模型是人工智能领域的一种重要模型，在利用支撑集样本训练后，同类别的特征向量经该模型处理后在特征上具备更大的相似性，可以对输入的特征向量实现类别预测。原型网络预测模型支撑集表示为：
[0104]
s＝{(x1，y1)，(x2，y2)，...(xn，yn)}
[0105]
其中x1，x2...xn表示支撑集中的样本数据组的实体特征，y1，y2...yn表示支撑集样本数据组各自对应的故障状态类别。假设共有k个故障状态类别，每个故障状态类别表示为k，则k∈{1，2...，k}，则对于每个故障状态类别k可以设置支撑集sk，支撑集sk中的样本数据组的故障状态类别均为k，则通过支撑集计算每个类别k的类别原型：
[0106][0107]
其中f
θ
(*)表示针对样本数据组的实体特征进行特征提取所获得的数据实体特征向量，本发明中即为bilstm网络提取的数据组的实体特征向量，ck作为类别原型表示第k类别中数据实体特征向量的平均表示。
[0108]
进而，原型网络可以计算输入的数据组的实体特征向量xm相对于k个故障状态类别中的每个故障状态类别k的分布：
[0109][0110]
其中k
′
表示k个类别中不属于类别k的其它类别。从而，原型网络预测模型可以特征向量xm相对于k个类别中的每个类别k的分布，确定数据组的的故障状态类别。
[0111]
进一步的，边缘计算节点中存储了局部配电网络模型，部署故障处理应用，配置事件处理规则，边缘计算节点会在收到数据时第一时间进行就地数据处理、故障监测分析，并将处理后的信息发送给云端平台700，在这种模式下，可以在毫秒级的时间内完成故障分析
和告警任务。基于边缘计算技术下，将分组好的数据组输入预测模型中，通过对数据的处理，获得故障数据，例如，预测模型中的发电机使用寿命为30年，将发电机的编号数据和采集时间与预测模型中该发电机的初始编号数据和建立初始编号数据时间进行对比，发现该发电机已经工作29年了，则判断该数据组存在故障，当发现数据组中一个数据存在故障时，则停止对该组中其他数据的处理，直接判断该数据组存在故障，通过上述方式，可快速的判断出故障，提高监测效率。
[0112]
进一步，标记单元620对存在故障的数据组标记故障标签，该标签可分为：已发生故障、将要发生故障两种，例如，可将运行数据的故障标记为已发生故障，对设备的寿命故障标记为将要发生故障。
[0113]
在一种实施方式中，分析单元710包括对比子单元711，对比子单元711基于预设数据阈值，将数据组内的数据值与数据阈值进行对比，若大于阈值，则该数据值存在故障，若不小于阈值，则该数据值不存在故障。
[0114]
基于各电力设备的预设数据阈值，将数据组内的数据值与数据阈值进行对比，若大于阈值，则该数据值存在故障，若不小于阈值，则该数据值不存在故障。
[0115]
进一步，在云端平台700中，在资源库730中存储各电力设备的基本参数以及额定运行参数等参数，在阈值数据库720中预设各电力设备的基础参数阈值和额定运行参数阈值，其中预设阈值小于参数值，且该预设阈值与预测模型中的数据相同。当云端平台700接收标记故障的数据组时，先对数据组的标记标签进行判断，先处理标签为已发生故障的数据组，对比该数据组中的各数据值、基本参数/额定参数及预设的基本参数阈值/额定参数阈值，筛选出同时大于预设数据阈值和参数值的数据值，并根据该数据值获得故障信息，将该数据组中所有同时大于预设数据阈值和参数值的数据值处理完成后，在筛选大于预设数据阈值但小于参数值的数据值，并根据该数据值获得故障信息，进而对获取的故障信息进行排序，从而可直观的获得最严重的故障。
[0116]
进一步，故障信息包括发生故障的设备编号、具体故障内容和故障时间等。
[0117]
在一种实施方式中，该系统还包括定位模块800，定位模块800根据电力设备的故障信息，确定故障位置。
[0118]
根据故障信息中的设备编号和故障时间，结合资源库730中的设备编号，可获得设备安装位置，从而确定发生故障的位置，可及时对故障点记性检修和维护，减少寻找故障的环节和精力，降低故障对用户用电带来的影响。
[0119]
在一种实施方式中，该系统还包括网络单元，网络单元可采用电力专网(光纤)、物联网专网、互联网(运营商宽带)和移动互联网(4g)等。边缘计算节点通过网络适配器经网络层接入到云端平台。
[0120]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。