申请/专利权人:希格玛电气(珠海)有限公司
申请日:2024-03-12
公开(公告)日:2024-04-16
公开(公告)号:CN117893955A
主分类号:G06V20/50
分类号:G06V20/50;G06Q10/20;G06V10/44;G06V10/764;G06V10/82
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.03#实质审查的生效;2024.04.16#公开
摘要:本发明涉及一种环网柜故障检测系统,属于电力设备在线监测与故障诊断技术领域,通过收集历史时期环网柜内部部件发生故障的图像,及其对应的故障类型;将收集的图像输入卷积神经网络模型中提取图像特征,将提取的图像特征与无发生故障的内部部件标准图像作对比,识别内部部件主要变化特征;以内部部件主要变化特征为解释变量,对应的故障类型为响应变量,并选择重要性排序靠前的内部部件主要变化特征作为预测变量构建随机森林模型。本发明解决了难以检测环网柜内部部件状态,并确定相应的故障类型,导致故障检测效率低的问题。
主权项:1.一种环网柜故障检测系统,其特征在于:包括数据采集模块、故障分析模块和故障报警模块,所述数据采集模块、故障分析模块和故障报警模块通信连接,其中:所述数据采集模块,用于拍摄并采集环网柜内部部件的图像;所述故障分析模块,用于将采集的图像输入预设的故障分析模型,输出对应的故障位置和故障类型;所述故障报警模块,用于根据输出的故障位置和故障类型,发出相应的故障警报;所述预设的故障分析模型,包括以下构建步骤:S1、收集历史时期环网柜内部部件发生故障的图像,及其对应的故障类型;S2、将收集的图像输入卷积神经网络模型中提取图像特征,将提取的图像特征与无发生故障的内部部件标准图像作对比,识别内部部件主要变化特征;S3、以内部部件主要变化特征为解释变量,对应的故障类型为响应变量,构建随机森林模型,包括以下步骤:S31、从数据集中随机抽取L个样本,作为训练集;S32、随机不重复地抽取N个内部部件主要变化特征作为分割点,并利用基尼系数确定对故障类型的最佳分割点进行划分,以生成决策树;S33、重复M次步骤S31-S32的操作,得到M棵决策树,并生成随机森林;S34、计算随机森林中每棵决策树对袋外数据的预测误差;S35、添加袋外数据中内部部件主要变化特征的随机扰动,计算随机森林每棵决策树对随机扰动的预测误差;S36、根据随机森林对袋外数据的预测误差大小,对内部部件主要变化特征的重要性进行排序;S37、选择重要性排序前n个的内部部件主要变化特征作为预测变量,构建最终随机森林模型;所述故障分析模块中,所述将采集的图像输入预设的故障分析模型,输出对应的故障位置和故障类型,包括以下步骤:对采集的环网柜内部部件的图像进行预处理后,输入训练好的卷积神经网络模型中提取图像特征,与无发生故障的内部部件标准图像进行对比,确定内部部件主要变化特征;当不存在内部部件变化特征时,判定环网柜无故障发生;当存在内部部件变化特征时,将内部部件主要变化特征输入训练好的随机森林模型中,判断环网柜的故障类型。
全文数据:
权利要求:
百度查询: 希格玛电气(珠海)有限公司 一种环网柜故障检测系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。