System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电力设备检测领域,具体是一种电力设备静电智能检测预警系统。
技术介绍
1、随着电力行业的发展,电力设备在运行过程中可能会产生静电,若不及时处理,可能导致设备损坏甚至引发安全事故。本专利技术通过对电力设备静电数据及电荷分布图像的采集与处理后分析静电数据异常和静电异常特征;根据数字信号的均值与标准差计算统计数字信号的异常值;根据静电数据异常值和静电异常特征计算静电异常特征系数及异常值系数;综合评估静电异常系数并实施预警。实现了对电力设备静电智能检测的实时预警。
2、现有的电力设备静电智能检测预警系统,难以在采集和预处理静电数据及电荷分布图像之后,对数据集合中的异常值进行统计分析;依据识别出的异常静电特征及其静电的异常值,难以计算出异常静电特征系数与异常值系数;同时,难以整合这些异常系数来综合评估静电异常并实施预警。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一;为此,本专利技术提出了一种电力设备静电智能检测预警系统,用于解决难以在静电数据及电荷分布图像的采集和预处理之后,有效分析其异常;难以快速对数据集中的异常值进行统计分析;同时,也难以根据异常值进行统计分析结果,以及静电异常的多种特征综合评估静电异常的技术问题。
2、为解决上述问题,本专利技术的第一方面提供了一种电力设备静电智能检测预警系统,包括以下模块:
3、数据采集模块:采集电力设备上的静电数据和静电电荷分布图像;
4、数据处理模块:将静电数据
5、数据分析模块:根据预处理后的静电电荷分布图像对静电电荷分布图像的静电异常进行分析;根据转换成的数字信号分析数字信号的数据集中异常值;根据数字信号的统计特征包括均值和标准差统计分析数据集中的异常值;计算异常静电特征系数和异常值系数;
6、异常预警模块:根据异常静电特征系数和异常值系数综合评估计算静电异常系数,根据静电异常系数进行预警。
7、作为本专利技术进一步的方案:根据预处理后的静电电荷分布图像对静电电荷分布图像的静电异常进行分析,包括以下步骤:
8、根据预处理后的静电电荷分布图像,通过深度学习模型对静电电荷分布图像的静电异常进行分析;
9、标注静电电荷分布图像的a种静电异常特征;
10、将标注的第a种静电异常特征输入深度学习模型中进行模型训练,其中,a∈{1,2,…,a};
11、通过电力设备静电智能检测预警系统实时采集处理后静电电荷分布图像,并输入训练后的深度学习模型中识别第a种静电异常特征。
12、作为本专利技术进一步的方案:标注的a种静电异常特征包括:
13、第一种电荷密度异常、第二种电势分布异常、第三种电场强度异常、第四种静电放电异常和第五种静电引力和斥力异常。
14、作为本专利技术进一步的方案:根据转换成的数字信号分析数字信号的数据集中异常值,包括以下步骤:
15、根据处理得到数字信号,通过机器学习算法对处理后的数据进行分析;其中,数字信号的数据集表示α={x1,x2,…,xn};
16、标注数字信号中的异常数据,其中,异常数据集合表示β={y1,y2,…,ym};
17、将标注的数字信号中的异常数据输入机器学习算法中进行学习训练;
18、通过电力设备静电智能检测预警系统实时采集处理后数字信号,并输入训练后的机器学习算法中识别数字信号的异常数据。
19、作为本专利技术进一步的方案:根据数字信号的统计特征包括均值和标准差统计分析数据集中的异常值,包括以下步骤:
20、通过分析公式:统计数字信号的均值μ;
21、通过分析公式:统计数字信号的标准差σ;
22、通过分析公式:统计数据集中的异常值z;
23、得到数字信号的数据集的均值μ和标准差σ,其中,数字信号的数据集表示α={x1,x2,…,xn},xi∈α;使用z分数方法分析数据集中的异常值z,当|z|>3,数据为异常值,z∈β。
24、作为本专利技术进一步的方案:计算异常静电特征系数,包括以下步骤:
25、通过分析公式:第一种电荷密度异常系数第二种电势分布异常系数第三种电场强度异常系数第四种静电放电异常系数第五种静电引力与斥力异常系数
26、通过分析公式:
27、得到异常静电特征系数k,ka第a种为异常静电特征系数,wa为第a种异常静电特征系数的权重,其中a∈{1,2,…,a};σδρ是差分电荷密度的标准偏差,是平均电荷密度;σu是电势差的标准偏差,u0是特征电势差;δe是电场强度的最大变化率,e0是初始电场强度;imax和imin分别是放电过程中电流的最大值和最小值,iavg是平均电流;δf是静电力的最大变化率,f0是初始静电力;ε是修正因子常数。
28、作为本专利技术进一步的方案:根据异常值计算异常值系数,包括以下步骤:
29、通过分析公式:
30、得到异常值系数η,其中,xi表示数字信号的数据集,xi∈α,α={x1,x2,…,xn},yj表示数字信号中的异常数据,yj∈β,β={y1,y2,…,ym}。
31、作为本专利技术进一步的方案:根据异常静电特征系数和异常值系数综合评估计算静电异常系数,包括以下步骤:
32、通过分析公式:θ=w*k+(1-w)η
33、得到静电异常系数θ;其中,w是k的权重,(1-w)是η的权重,k为异常静电特征系数,η为异常值系数。
34、作为本专利技术进一步的方案:根据静电异常系数进行预警,包括以下步骤:
35、根据静电异常系数,设定不同级别的阈值,将预警分为低级预警、中级预警和高级预警三种级别;
36、当θ<0.3时,预警分为低级预警,发出低预警信号,继续检测静电异常数据;
37、当0.3≤θ≤0.6时,预警分为中级预警,发出中级预警信号,提醒工作人员查看静电异常数据。
38、当θ>0.6时,预警分为高级预警,发出高级预警信号,根据识别的a种静电异常特征和异常值通知工作人员处理静电异常数据,去除电力设备的静电。
39、与现有技术相比,本专利技术的有益效果是:
40、本专利技术通过识别出的异常静电特征及其静电的异常值实现得到异常静电特征系数与异常值系数,进行分析评估静电异常特征和静电异常值的的异常程度。同时,本专利技术根据异常静电特征系数与异常值系数实现了综合评估静电异常;通过设定阈值与预警级别,实现了实时预警检测静电异常情况并采取应对措施,以此实现了对电力设备静电智能检测的实时预警。
本文档来自技高网...【技术保护点】
1.一种电力设备静电智能检测预警系统,其特征在于,包括以下模块:
2.根据权利要求1所述的一种电力设备静电智能检测预警系统,其特征在于,根据预处理后的静电电荷分布图像对静电电荷分布图像的静电异常进行分析,包括以下步骤:
3.根据权利要求2所述的一种电力设备静电智能检测预警系统,其特征在于,标注的A种静电异常特征包括:
4.根据权利要求1所述的一种电力设备静电智能检测预警系统,其特征在于,根据转换成的数字信号分析数字信号的数据集中异常值,包括以下步骤:
5.根据权利要求4所述的一种电力设备静电智能检测预警系统,其特征在于,根据数字信号的统计特征包括均值和标准差统计分析数据集中的异常值,包括以下步骤:
6.根据权利要求1所述的一种电力设备静电智能检测预警系统,其特征在于,计算异常静电特征系数,包括以下步骤:
7.根据权利要求6所述的一种电力设备静电智能检测预警系统,其特征在于,根据异常值计算异常值系数,包括以下步骤:
8.根据权利要求7所述的一种电力设备静电智能检测预警系统,其特征在于,根据异常静电特
9.根据权利要求8所述的一种电力设备静电智能检测预警系统,其特征在于,根据静电异常系数进行预警,包括以下步骤:
...【技术特征摘要】
1.一种电力设备静电智能检测预警系统,其特征在于,包括以下模块:
2.根据权利要求1所述的一种电力设备静电智能检测预警系统,其特征在于,根据预处理后的静电电荷分布图像对静电电荷分布图像的静电异常进行分析,包括以下步骤:
3.根据权利要求2所述的一种电力设备静电智能检测预警系统,其特征在于,标注的a种静电异常特征包括:
4.根据权利要求1所述的一种电力设备静电智能检测预警系统,其特征在于,根据转换成的数字信号分析数字信号的数据集中异常值,包括以下步骤:
5.根据权利要求4所述的一种电力设备静电智能检测预警系统,其特征在于,根据数字信号的...
【专利技术属性】
技术研发人员:黄承方,刘心悦,马家锐,芮施印,谢王成,
申请(专利权)人:安徽信息工程学院,
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。