本技術(shù)涉及電力領(lǐng)域，具體涉及一種智能配電柜安全預(yù)警方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、智能配電柜是智能電網(wǎng)中的重要設(shè)備，承擔(dān)著供電、控制、保護(hù)等多種功能。隨著智能電網(wǎng)的快速發(fā)展和用電環(huán)境的日益復(fù)雜，配電柜面臨的故障風(fēng)險(xiǎn)也在不斷增加。為了保證供電的安全穩(wěn)定，需要對(duì)配電柜的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和預(yù)警，及時(shí)發(fā)現(xiàn)和處理潛在的故障隱患。

2、目前，針對(duì)配電柜的安全預(yù)警已有一些研究和應(yīng)用。一種常見的方法是基于單一類型的運(yùn)行參數(shù)，如電流、電壓、溫度等，設(shè)置固定的閾值，當(dāng)參數(shù)超出閾值時(shí)觸發(fā)警報(bào)。這種方法實(shí)現(xiàn)簡(jiǎn)單，但難以適應(yīng)復(fù)雜多變的工況，容易產(chǎn)生誤報(bào)或漏報(bào)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供一種智能配電柜安全預(yù)警方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，能夠提高了智能配電柜安全預(yù)警準(zhǔn)確性。

2、第一方面，本技術(shù)提供了一種智能配電柜安全預(yù)警方法，方法包括：

3、獲取智能配電柜的多源異構(gòu)運(yùn)行參數(shù)，并對(duì)所述多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)；所述多源異構(gòu)運(yùn)行參數(shù)包括電流參數(shù)、電壓參數(shù)、溫度參數(shù)、濕度參數(shù)、振動(dòng)參數(shù)和局部放電參數(shù)；所述對(duì)所述多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)，包括：對(duì)所述電流參數(shù)進(jìn)行頻譜分析，得到電流時(shí)頻域特征；對(duì)所述電壓參數(shù)進(jìn)行頻譜分析，得到電壓時(shí)頻域特征；對(duì)所述溫度參數(shù)進(jìn)行異常趨勢(shì)提取，得到溫度異常趨勢(shì)特征；對(duì)所述濕度參數(shù)進(jìn)行異常趨勢(shì)提取，得到濕度異常趨勢(shì)特征；對(duì)所述振動(dòng)參數(shù)進(jìn)行時(shí)頻特征提取，得到振動(dòng)時(shí)頻域特征；對(duì)所述局部放電參數(shù)進(jìn)行特征提取，得到放電脈沖特征、放電模式特征和放電類型特征，并將所述電流時(shí)頻域特征、所述電壓時(shí)頻域特征、所述溫度異常趨勢(shì)特征、所述濕度異常趨勢(shì)特征、所述振動(dòng)時(shí)頻域特征、所述放電脈沖特征、所述放電模式特征和所述放電類型特征作為所述運(yùn)行特征參數(shù)；

4、對(duì)所述運(yùn)行特征參數(shù)進(jìn)行參數(shù)融合，得到融合特征參數(shù)，并將所述融合特征參數(shù)輸入預(yù)設(shè)的故障預(yù)警模型，得到故障預(yù)警數(shù)據(jù)；

5、將所述故障預(yù)警數(shù)據(jù)輸入預(yù)設(shè)的規(guī)則匹配引擎進(jìn)行規(guī)則匹配，得到匹配結(jié)果，并根據(jù)所述匹配結(jié)果，生成預(yù)警信號(hào)。

6、通過采用上述技術(shù)方案，通過獲取智能配電柜的多源異構(gòu)運(yùn)行參數(shù)，并對(duì)多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)，實(shí)現(xiàn)了對(duì)配電柜運(yùn)行狀態(tài)監(jiān)測(cè)。由于配電柜的運(yùn)行狀態(tài)受多種因素的影響，單一類型的參數(shù)難以完整反映設(shè)備的健康水平，因此，通過綜合利用電流、電壓、溫度、濕度、振動(dòng)、局部放電等多個(gè)維度的參數(shù)，并采用針對(duì)性的特征提取方法，可以從不同角度捕捉故障的先兆，提高故障預(yù)警的準(zhǔn)確性和可靠性。

7、在獲得運(yùn)行特征參數(shù)后，本發(fā)明進(jìn)一步對(duì)運(yùn)行特征參數(shù)進(jìn)行參數(shù)融合，得到融合特征參數(shù)。這一步驟可以去除特征參數(shù)之間的冗余和噪聲，提取更加本質(zhì)和穩(wěn)定的故障指標(biāo)，降低后續(xù)預(yù)警模型的復(fù)雜度和訓(xùn)練難度。通過參數(shù)融合，不同類型、不同尺度的特征參數(shù)被映射到一個(gè)統(tǒng)一的特征空間，便于綜合分析和決策。

8、將融合特征參數(shù)輸入預(yù)設(shè)的故障預(yù)警模型，可以得到故障預(yù)警數(shù)據(jù)。故障預(yù)警模型是基于大量歷史運(yùn)行數(shù)據(jù)和故障案例訓(xùn)練得到的，能夠自動(dòng)學(xué)習(xí)故障特征與故障類型之間的映射關(guān)系，具有較強(qiáng)的泛化能力和預(yù)測(cè)能力。通過故障預(yù)警模型，可以實(shí)現(xiàn)故障的早期預(yù)警和定位，為后續(xù)的維修和決策提供依據(jù)。與傳統(tǒng)的閾值比較方法相比，基于機(jī)器學(xué)習(xí)的預(yù)警模型能夠適應(yīng)復(fù)雜多變的工況，具有更好的魯棒性和適應(yīng)性。

9、將故障預(yù)警數(shù)據(jù)輸入預(yù)設(shè)的規(guī)則匹配引擎進(jìn)行規(guī)則匹配，得到匹配結(jié)果，并根據(jù)匹配結(jié)果生成預(yù)警信號(hào)。規(guī)則匹配引擎是基于專家經(jīng)驗(yàn)和典型案例總結(jié)提煉出來的，以規(guī)則的形式表達(dá)故障特征與故障類型之間的對(duì)應(yīng)關(guān)系。將故障預(yù)警數(shù)據(jù)與規(guī)則庫(kù)中的規(guī)則進(jìn)行匹配，可以從因果邏輯的角度解釋預(yù)警結(jié)果，增強(qiáng)預(yù)警的可解釋性和可信度。同時(shí)，規(guī)則匹配的結(jié)果可以作為對(duì)預(yù)警模型的補(bǔ)充和校驗(yàn)，進(jìn)一步提高預(yù)警的準(zhǔn)確性。

10、在本技術(shù)的第二方面提供了一種智能配電柜安全預(yù)警方法系統(tǒng)，包括：

11、數(shù)據(jù)獲取模塊，用于獲取智能配電柜的多源異構(gòu)運(yùn)行參數(shù)，并對(duì)所述多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)；所述多源異構(gòu)運(yùn)行參數(shù)包括電流參數(shù)、電壓參數(shù)、溫度參數(shù)、濕度參數(shù)、振動(dòng)參數(shù)和局部放電參數(shù)；所述對(duì)所述多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)，包括：對(duì)所述電流參數(shù)進(jìn)行頻譜分析，得到電流時(shí)頻域特征；對(duì)所述電壓參數(shù)進(jìn)行頻譜分析，得到電壓時(shí)頻域特征；對(duì)所述溫度參數(shù)進(jìn)行異常趨勢(shì)提取，得到溫度異常趨勢(shì)特征；對(duì)所述濕度參數(shù)進(jìn)行異常趨勢(shì)提取，得到濕度異常趨勢(shì)特征；對(duì)所述振動(dòng)參數(shù)進(jìn)行時(shí)頻特征提取，得到振動(dòng)時(shí)頻域特征；對(duì)所述局部放電參數(shù)進(jìn)行特征提取，得到放電脈沖特征、放電模式特征和放電類型特征，并將所述電流時(shí)頻域特征、所述電壓時(shí)頻域特征、所述溫度異常趨勢(shì)特征、所述濕度異常趨勢(shì)特征、所述振動(dòng)時(shí)頻域特征、所述放電脈沖特征、所述放電模式特征和所述放電類型特征作為所述運(yùn)行特征參數(shù)；

12、故障預(yù)警模塊，用于對(duì)所述運(yùn)行特征參數(shù)進(jìn)行參數(shù)融合，得到融合特征參數(shù)，并將所述融合特征參數(shù)輸入預(yù)設(shè)的故障預(yù)警模型，得到故障預(yù)警數(shù)據(jù)；

13、預(yù)警判斷模塊，用于將所述故障預(yù)警數(shù)據(jù)輸入預(yù)設(shè)的規(guī)則匹配引擎進(jìn)行規(guī)則匹配，得到匹配結(jié)果，并根據(jù)所述匹配結(jié)果，生成預(yù)警信號(hào)。

14、在本技術(shù)的第三方面提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有多條指令，指令適于由處理器加載并執(zhí)行上述的方法步驟。

15、在本技術(shù)的第四方面提供了一種電子設(shè)備，包括處理器、存儲(chǔ)器、用戶接口及網(wǎng)絡(luò)接口，存儲(chǔ)器用于存儲(chǔ)指令，用戶接口和網(wǎng)絡(luò)接口用于給其他設(shè)備通信，處理器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的指令，以使電子設(shè)備執(zhí)行上述的方法。

16、綜上，本技術(shù)實(shí)施例中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

17、1、本技術(shù)通過獲取智能配電柜的多源異構(gòu)運(yùn)行參數(shù)，并對(duì)多源異構(gòu)運(yùn)行參數(shù)進(jìn)行特征提取，得到運(yùn)行特征參數(shù)，實(shí)現(xiàn)了對(duì)配電柜運(yùn)行狀態(tài)的全面刻畫。由于配電柜的運(yùn)行狀態(tài)受多種因素的影響，單一類型的參數(shù)難以完整反映設(shè)備的健康水平。通過綜合利用電流、電壓、溫度、濕度、振動(dòng)、局部放電等多個(gè)維度的參數(shù)，并采用針對(duì)性的特征提取方法，可以從不同角度捕捉故障的先兆，提高故障預(yù)警的準(zhǔn)確性和可靠性。

18、2、本技術(shù)在獲得運(yùn)行特征參數(shù)后，本發(fā)明進(jìn)一步對(duì)運(yùn)行特征參數(shù)進(jìn)行參數(shù)融合，得到融合特征參數(shù)。這一步驟可以去除特征參數(shù)之間的冗余和噪聲，提取更加本質(zhì)和穩(wěn)定的故障指標(biāo)，降低后續(xù)預(yù)警模型的復(fù)雜度和訓(xùn)練難度。通過參數(shù)融合，不同類型、不同尺度的特征參數(shù)被映射到一個(gè)統(tǒng)一的特征空間，便于綜合分析和決策。

19、3、本技術(shù)將融合特征參數(shù)輸入預(yù)設(shè)的故障預(yù)警模型，可以得到故障預(yù)警數(shù)據(jù)。故障預(yù)警模型是基于大量歷史運(yùn)行數(shù)據(jù)和故障案例訓(xùn)練得到的，能夠自動(dòng)學(xué)習(xí)故障特征與故障類型之間的映射關(guān)系，具有較強(qiáng)的泛化能力和預(yù)測(cè)能力。通過故障預(yù)警模型，可以實(shí)現(xiàn)故障的早期預(yù)警和定位，為后續(xù)的維修和決策提供依據(jù)。與傳統(tǒng)的閾值比較方法相比，基于機(jī)器學(xué)習(xí)的預(yù)警模型能夠適應(yīng)復(fù)雜多變的工況，具有更好的魯棒性和適應(yīng)性。