【技术实现步骤摘要】
本专利技术涉及电力设备运维，尤其涉及一种电力设备的故障监测方法、装置、电子设备及存储介质。
技术介绍
1、随着科学技术的不断发展，电网中各电力设备的实时运行数据被广泛地应用于电网的运维领域，使得电网运维中出现的大多数问题可以得到更有效的解决，然而，现有的电网实时数据分析技术存在局限性，当前的实时运行数据分析仍然依赖于传统的数据处理方法，简而言之即是简单的根据各电力设备的实时运行数据是否异常来判断对应的电力设备是否故障。
2、但在检测到电力设备的实时运行数据出现异常时，电网的运行已经受到了严重的不良影响，且在电力设备故障后再进行维护工作需要耗费更多的时间和成本。因此，如何根据电力设备的实时运行数据，预测各电力设备是否存在故障风险已成为当前亟需解决的问题。
技术实现思路
1、本专利技术实施例提供一种电力设备的故障监测方法、装置、电子设备及存储介质，能够为电网运维人员预测各电力设备可能出现的故障类型，以及各类故障在未来各时段内出现的概率，以使电网运维人员能够在电力设备发生故障之前及时安排检修工作，有效地降低了电力设备的运维成本，以及有效地保证了电网的正常运行。
2、本专利技术另一实施例提供了一种电力设备的故障监测方法，包括：
3、获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
4、将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流
5、将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
6、其中，所述故障预测模型的构建过程，包括：
7、获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
8、构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
9、进一步的，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
10、根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
11、其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、以及欠电压状态；
12、所述运行状态识别模型的构建，包括：
13、获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
14、构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
15、进一步的，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
16、在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
17、进一步的，所述一种电力设备的故障监测方法，还包括：
18、根据所述电力设备在当前时段内的运行状态、若干所述预测故障类型以及各预测故障类型在未来各时段内出现的概率，对所述电力设备进行三维可视化展示。
19、本专利技术另一实施例提供了一种电力设备的故障监测装置，包括：
20、数据获取模块，用于获取受监测的电力设备在当前时段内的第一输出电流、第一输出电压、第一输出功率、第一运行温度、以及第一机械振动频率；
21、数据处理模块，用于将所述第一输出电流、所述第一输出电压、以及所述第一输出功率进行傅里叶变换，生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量；
22、故障预测模块，用于将所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至预设的故障预测模型中，以使所述故障预测模型输出所述电力设备的若干预测故障类型以及各预测故障类型在未来各时段内出现的概率；
23、其中，所述故障预测模型的构建过程，包括：
24、获取若干第一训练样本；其中，所述第一训练样本，为已发生故障的电力设备在发生故障前的一时段内的第二频谱数据、第二谐波分量、第二运行温度、以及第二机械振动频率，且每一第一训练样本对应有一故障类型标记和时段标记，相同故障类型标记下的不同第一训练样本所对应的时段标记不同；
25、构建第一神经网络模型，并采用若干所述第一训练样本对所述第一神经网络模型进行训练，直至所述第一神经网络模型收敛，并将收敛后的第一神经网络模型作为所述故障预测模型。
26、进一步的，所述一种电力设备的故障监测装置，还包括：运行状态识别模块；
27、所述运行状态识别模块，用于在所述数据处理模块生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，根据所述第一频谱数据、所述第一谐波分量、所述第一运行温度、以及所述第一机械振动频率输入至运行状态识别模型中，以使所述运行状态识别模型输出所述电力设备当前的运行状态；
28、其中，所述运行状态，包括：正常运行状态、负载不均衡状态、过电压状态、欠电压状态以及故障运行状态；
29、所述运行状态识别模型的构建，包括：
30、获取若干第二训练样本，其中，所述第二训练样本，为电力设备在不同运行状态下所对应的第三频谱数据、第三谐波分量、第三运行温度、以及第三机械振动频率，且每一第二训练样本对应有一运行状态标记；
31、构建第二神经网络模型，并采用若干所述第二训练样本对所述第二神经网络模型进行训练，直至所述第二神经网络模型收敛，并将收敛后的第二神经网络模型作为所述运行状态识别模型。
32、进一步的，所述运行状态识别模块，还用于在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
33、本文档来自技高网...
【技术保护点】
1.一种电力设备的故障监测方法，其特征在于，包括：
2.如权利要求1所述的一种电力设备的故障监测方法，其特征在于，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
3.如权利要求2所述的一种电力设备的故障监测方法，其特征在于，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
4.如权利要求3所述的一种电力设备的故障监测方法，其特征在于，还包括：
5.一种电力设备的故障监测装置，其特征在于，包括：
6.如权利要求5所述的一种电力设备的故障监测装置，其特征在于，还包括：运行状态识别模块；
7.如权利要求6所述的一种电力设备的故障监测装置，其特征在于，所述运行状态识别模块，还用于在确定所述电力设备当前的运行状态不为正常运行状态时，根据所述电力设备以及所述电力设备当前的运行状态生成风险告警信息，以使运维人员根据所述风险告警信息排除故障风险。
8.如权利要求7所述的一种电力设备的故障监测装置，其特征在于，还包括：可视化模块
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的一种电力设备的故障监测方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至4中任意一项所述的一种电力设备的故障监测方法。
...【技术特征摘要】
1.一种电力设备的故障监测方法，其特征在于，包括：
2.如权利要求1所述的一种电力设备的故障监测方法，其特征在于，在生成与所述第一输出电流、所述第一输出电压、以及所述第一输出功率分别对应的第一频谱数据以及第一谐波分量之后，还包括：
3.如权利要求2所述的一种电力设备的故障监测方法，其特征在于，在所述运行状态识别模型输出所述电力设备当前的运行状态之后，还包括：
4.如权利要求3所述的一种电力设备的故障监测方法，其特征在于，还包括：
5.一种电力设备的故障监测装置，其特征在于，包括：
6.如权利要求5所述的一种电力设备的故障监测装置，其特征在于，还包括：运行状态识别模块；
7.如权利要求6所述的一种电力设备的故障监测装置，其特征在...
【专利技术属性】
技术研发人员：赵瑞锋，郭文鑫，卢建刚，谭慧娟，王臣，李谦，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。