本發(fā)明涉及數(shù)據(jù)處理，特別是一種基于變電站sf6壓力表數(shù)據(jù)采集和處理方法。

背景技術(shù)：

1、隨著電力系統(tǒng)的廣泛應(yīng)用，變電站作為電能傳輸和分配的核心樞紐，其運(yùn)行狀態(tài)直接影響電力系統(tǒng)的整體穩(wěn)定性。其中，高壓設(shè)備中的sf6（六氟化硫）氣體由于具備優(yōu)異的絕緣性能和滅弧能力，廣泛應(yīng)用于變電站的斷路器、隔離開關(guān)等設(shè)備中。然而，sf6氣體的壓力變化直接影響設(shè)備的工作狀態(tài)，尤其是sf6泄漏可能導(dǎo)致設(shè)備絕緣性能下降，嚴(yán)重時(shí)還可能引發(fā)電氣事故。因此，如何實(shí)時(shí)、精確地監(jiān)測(cè)sf6氣體的壓力狀態(tài)是保障變電站安全運(yùn)行的重要課題。

2、現(xiàn)有的sf6壓力監(jiān)測(cè)技術(shù)主要依賴機(jī)械式壓力表或單一傳感器系統(tǒng)，這些方法無(wú)法有效應(yīng)對(duì)復(fù)雜的環(huán)境條件，尤其是溫度和濕度對(duì)壓力測(cè)量結(jié)果的影響。由于sf6氣體的壓力對(duì)溫濕度變化非常敏感，缺乏溫度補(bǔ)償和濕度校正的方案難以提供準(zhǔn)確的監(jiān)測(cè)數(shù)據(jù)。同時(shí)，現(xiàn)有技術(shù)在數(shù)據(jù)處理方面的能力有限，通常只對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的采集和存儲(chǔ)，缺乏對(duì)數(shù)據(jù)的深度分析及噪聲抑制，導(dǎo)致了測(cè)量數(shù)據(jù)的精度不高。此外，傳統(tǒng)的監(jiān)測(cè)系統(tǒng)大多依賴人工巡檢，自動(dòng)化和智能化水平較低，無(wú)法實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)的及時(shí)預(yù)警，增加了設(shè)備運(yùn)維的風(fēng)險(xiǎn)。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于變電站sf6壓力表數(shù)據(jù)采集和處理方法解決傳統(tǒng)監(jiān)測(cè)系統(tǒng)中sf6壓力數(shù)據(jù)易受環(huán)境溫濕度影響，導(dǎo)致監(jiān)測(cè)精度不足的問(wèn)題。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種基于變電站sf6壓力表數(shù)據(jù)采集和處理方法，其包括，通過(guò)sf6壓力傳感器、溫度傳感器和濕度傳感器，實(shí)時(shí)采集變電站環(huán)境數(shù)據(jù)；

5、將變電站環(huán)境數(shù)據(jù)輸入多傳感器融合算法，進(jìn)行溫度補(bǔ)償和濕度校正，生成校正后的多維數(shù)據(jù)集；

6、使用自適應(yīng)濾波器，對(duì)校正后的多維數(shù)據(jù)集進(jìn)行噪聲抑制和數(shù)據(jù)平滑，生成高精度的壓力監(jiān)測(cè)數(shù)據(jù)；

7、將高精度的壓力監(jiān)測(cè)數(shù)據(jù)通過(guò)物聯(lián)網(wǎng)無(wú)線傳輸至中央處理平臺(tái)存儲(chǔ)，并進(jìn)行數(shù)據(jù)清洗和關(guān)鍵特征提??；

8、將提取的關(guān)鍵特征輸入人工智能模型進(jìn)行故障預(yù)測(cè)，輸出故障預(yù)警信號(hào)；

9、根據(jù)故障預(yù)警信號(hào)觸發(fā)報(bào)警機(jī)制并通知運(yùn)維人員，同時(shí)將實(shí)際故障處理結(jié)果反饋至中央處理平臺(tái)。

10、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述實(shí)時(shí)采集變電站環(huán)境數(shù)據(jù)，具體步驟為，

11、將sf6壓力傳感器應(yīng)安裝在sf6氣體壓力容器附近；

12、將溫度傳感器應(yīng)安裝在變電站的設(shè)備表面，濕度傳感器則布置在空氣循環(huán)區(qū)域；

13、使用壓力校準(zhǔn)泵向傳感器施加標(biāo)準(zhǔn)壓力值，通過(guò)線性校準(zhǔn)對(duì)傳感器輸出值與校準(zhǔn)泵的壓力值進(jìn)行修正；

14、將溫度傳感器插入溫度校準(zhǔn)爐中，記錄傳感器的輸出電阻值，并根據(jù)溫度電阻表進(jìn)行比對(duì)，進(jìn)行校準(zhǔn)修正；

15、使用濕度校準(zhǔn)腔體，將濕度傳感器放置在校準(zhǔn)腔體中，記錄傳感器的輸出，并與校準(zhǔn)腔體的參考濕度值對(duì)比，進(jìn)行校準(zhǔn)修正；

16、設(shè)定數(shù)據(jù)采集設(shè)備的采樣頻率，通過(guò)網(wǎng)絡(luò)時(shí)間協(xié)議與外部時(shí)間服務(wù)器同步，實(shí)時(shí)輸出變電站環(huán)境數(shù)據(jù)。

17、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述生成校正后的多維數(shù)據(jù)集，具體步驟為，

18、采用自適應(yīng)卡爾曼濾波器對(duì)傳感器采集的變電站環(huán)境數(shù)據(jù)進(jìn)行去噪處理；

19、基于溫度對(duì)壓力和濕度的非線性影響，通過(guò)自適應(yīng)的非線性模型進(jìn)行溫度補(bǔ)償，表達(dá)式為：

20、；

21、其中，表示經(jīng)過(guò)溫度補(bǔ)償后的壓力值，表示實(shí)時(shí)壓力值，表示溫度補(bǔ)償系數(shù)，表示實(shí)時(shí)溫度值，表示參考溫度值，表示實(shí)時(shí)溫度值與參考溫度值之間的絕對(duì)差值，表示指數(shù)衰減的系數(shù)，表示時(shí)間常數(shù)；

22、基于經(jīng)過(guò)溫度補(bǔ)償后的壓力值，通過(guò)濕度對(duì)壓力和溫度值的非線性影響關(guān)系，構(gòu)建一個(gè)基于濕度的非線性校正模型，表達(dá)式為：

23、；

24、其中，表示經(jīng)過(guò)濕度校正后的壓力值，表示實(shí)時(shí)濕度值，表示實(shí)時(shí)濕度值校正的線性系數(shù)，表示實(shí)時(shí)濕度值校正的非線性系數(shù)；

25、將經(jīng)過(guò)非線性溫度補(bǔ)償和濕度校正后的壓力值和實(shí)時(shí)的溫度值和濕度值進(jìn)行整合，形成校正后的多維數(shù)據(jù)集。

26、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述生成高精度的壓力監(jiān)測(cè)數(shù)據(jù)，具體步驟為，

27、通過(guò)皮爾遜相關(guān)系數(shù)，分析多維數(shù)據(jù)集中溫度、濕度與壓力之間的相關(guān)性；

28、根據(jù)溫度、濕度與壓力之間的相關(guān)性的分析結(jié)果，建立卡爾曼濾波器的狀態(tài)轉(zhuǎn)移方程；

29、卡爾曼濾波器通過(guò)狀態(tài)轉(zhuǎn)移方程和當(dāng)前的狀態(tài)估計(jì)值，結(jié)合實(shí)時(shí)的溫度、濕度和壓力測(cè)量值，預(yù)測(cè)下一時(shí)刻的狀態(tài)及其協(xié)方差；

30、在每個(gè)時(shí)間步中，通過(guò)比較卡爾曼濾波器的預(yù)測(cè)值與實(shí)際測(cè)量值，計(jì)算測(cè)量誤差；

31、將實(shí)時(shí)溫度值和實(shí)時(shí)濕度值作為觀測(cè)變量引入到卡爾曼濾波器的狀態(tài)空間模型中，監(jiān)控每個(gè)時(shí)間步中的溫濕度；

32、設(shè)定溫濕度變化速率的閾值；

33、當(dāng)實(shí)時(shí)溫度值或?qū)崟r(shí)濕度值，超過(guò)設(shè)定的閾值時(shí)，濾波器將增加壓力值的平滑力度；

34、當(dāng)實(shí)時(shí)溫度值或?qū)崟r(shí)濕度值，低于閾值時(shí)，濾波器將減少平滑力度；

35、通過(guò)結(jié)合每個(gè)時(shí)間步的測(cè)量誤差和溫濕度變化速率，實(shí)時(shí)調(diào)整卡爾曼濾波器的參數(shù)；

36、應(yīng)用擴(kuò)展和調(diào)整好的卡爾曼濾波器，根據(jù)每個(gè)時(shí)間步的測(cè)量誤差和協(xié)方差，動(dòng)態(tài)計(jì)算卡爾曼增益，優(yōu)化卡爾曼濾波器；

37、整合經(jīng)過(guò)卡爾曼濾波器優(yōu)化處理后的實(shí)時(shí)壓力值、實(shí)時(shí)溫度值和實(shí)時(shí)濕度值，生成高精度的壓力監(jiān)測(cè)數(shù)據(jù)。

38、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述進(jìn)行數(shù)據(jù)清洗和關(guān)鍵特征提取，具體步驟為，

39、將高精度的壓力監(jiān)測(cè)數(shù)據(jù)打包為標(biāo)準(zhǔn)化的數(shù)據(jù)包，并采用aes-256對(duì)稱加密算法對(duì)數(shù)據(jù)進(jìn)行加密；

40、在變電站附近部署低功耗微型計(jì)算平臺(tái)，接收加密的傳感器數(shù)據(jù)包，并存儲(chǔ)至?xí)r序數(shù)據(jù)庫(kù)中；

41、校驗(yàn)時(shí)序數(shù)據(jù)庫(kù)中驗(yàn)證數(shù)據(jù)包的完整性；

42、使用四分位距方法檢測(cè)并剔除異常值，使用z-score方法進(jìn)一步檢測(cè)異常值；

43、對(duì)傳感器數(shù)據(jù)進(jìn)行線性插值法處理缺失值；

44、利用貝葉斯融合算法，將來(lái)自不同傳感器的數(shù)據(jù)進(jìn)行融合，構(gòu)建全局感知狀態(tài)；

45、基于全局感知狀態(tài)，通過(guò)自動(dòng)編碼器自動(dòng)提取多模態(tài)數(shù)據(jù)的隱藏特征；

46、引入強(qiáng)化學(xué)習(xí)算法，根據(jù)隱藏特征的變化情況，調(diào)整數(shù)據(jù)傳輸頻率和內(nèi)容。

47、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述將提取的關(guān)鍵特征輸入人工智能模型進(jìn)行故障預(yù)測(cè)，輸出故障預(yù)警信號(hào)，具體步驟為，

48、將提取到的多模態(tài)數(shù)據(jù)的隱藏特征，進(jìn)行min-max歸一化數(shù)據(jù)歸一化處理，將數(shù)據(jù)縮放到相同的數(shù)值范圍內(nèi)；

49、將歸一化后的隱藏特征按照時(shí)間序列結(jié)構(gòu)，組織成三維張量，輸入時(shí)序卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障預(yù)測(cè)；

50、在時(shí)序卷積神經(jīng)網(wǎng)絡(luò)中，引入故障風(fēng)險(xiǎn)模型進(jìn)行故障風(fēng)險(xiǎn)評(píng)分，表達(dá)式為：

51、；

52、其中，表示時(shí)間時(shí)刻的故障風(fēng)險(xiǎn)評(píng)分，表示第個(gè)特征的權(quán)重，表示第個(gè)特征的非線性映射函數(shù)，為特征變量的總數(shù)，表示特征的索引變量；

53、故障風(fēng)險(xiǎn)評(píng)分將隨著時(shí)間的推移進(jìn)行累積，設(shè)定故障風(fēng)險(xiǎn)閾值；

54、當(dāng)時(shí)，則輸出故障預(yù)警信號(hào)，表示即將發(fā)生故障；

55、當(dāng)時(shí)，則處于正常狀態(tài)，無(wú)需預(yù)警；

56、對(duì)于故障風(fēng)險(xiǎn)模型的訓(xùn)練，將采用交叉熵?fù)p失函數(shù)，并用adam優(yōu)化器進(jìn)行參數(shù)更新。

57、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述對(duì)于故障風(fēng)險(xiǎn)模型的訓(xùn)練，將采用交叉熵?fù)p失函數(shù)，并用adam優(yōu)化器進(jìn)行參數(shù)更新，具體步驟為，

58、故障風(fēng)險(xiǎn)模型的訓(xùn)練損失函數(shù)表達(dá)式為：

59、；

60、其中，表示時(shí)間序列的長(zhǎng)度，表示損失函數(shù)的值，表示真實(shí)的故障標(biāo)簽，表示卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值；

61、將歷史傳感器數(shù)據(jù)及相應(yīng)的故障標(biāo)簽輸入到故障風(fēng)險(xiǎn)模型，劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

62、使用驗(yàn)證集進(jìn)行故障風(fēng)險(xiǎn)模型超參數(shù)調(diào)優(yōu)，同時(shí)在每個(gè)epoch后，使用驗(yàn)證集評(píng)估模型的準(zhǔn)確率、auc和f1分?jǐn)?shù)指標(biāo)；

63、根據(jù)驗(yàn)證集的性能選擇最優(yōu)的超參數(shù)；

64、在完成訓(xùn)練和調(diào)優(yōu)后，在測(cè)試集中使用準(zhǔn)確率、auc和f1分?jǐn)?shù)指標(biāo)評(píng)估故障風(fēng)險(xiǎn)模型的最終性能。

65、作為本發(fā)明所述基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的一種優(yōu)選方案，其中：所述根據(jù)故障預(yù)警信號(hào)觸發(fā)報(bào)警機(jī)制并通知運(yùn)維人員，同時(shí)將實(shí)際故障處理結(jié)果反饋至中央處理平臺(tái)，具體步驟為，

66、在故障預(yù)警信號(hào)觸發(fā)后，生成故障預(yù)警報(bào)告；

67、將故障預(yù)警報(bào)告通過(guò)物聯(lián)網(wǎng)平臺(tái)推送至運(yùn)維人員的監(jiān)控終端；

68、運(yùn)維人員接收到故障預(yù)警信號(hào)后，根據(jù)預(yù)警報(bào)告中的關(guān)鍵特征數(shù)據(jù)，前往現(xiàn)場(chǎng)進(jìn)行排查；

69、運(yùn)維人員在處理完故障后，記錄實(shí)際的故障處理結(jié)果，并通過(guò)運(yùn)維終端錄入故障處理結(jié)果；

70、故障處理結(jié)果通過(guò)物聯(lián)網(wǎng)平臺(tái)實(shí)時(shí)上傳至中央處理平臺(tái)，中央處理平臺(tái)將新采集到的故障處理數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫(kù)中，作為后續(xù)模型訓(xùn)練的標(biāo)簽數(shù)據(jù)，進(jìn)行迭代優(yōu)化人工智能模型。

71、第二方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的任一步驟。

72、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于變電站sf6壓力表數(shù)據(jù)采集和處理方法的任一步驟。

73、本發(fā)明有益效果為：本發(fā)明通過(guò)多傳感器融合技術(shù)和自適應(yīng)濾波算法，有效解決了現(xiàn)有技術(shù)中sf6壓力數(shù)據(jù)易受環(huán)境溫度和濕度影響的問(wèn)題，顯著提高了壓力監(jiān)測(cè)的精度，同時(shí)通過(guò)對(duì)溫度和濕度的實(shí)時(shí)補(bǔ)償與校正，本發(fā)明能夠在復(fù)雜環(huán)境條件下保持sf6壓力數(shù)據(jù)的高精度監(jiān)測(cè)；此外，結(jié)合物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)了數(shù)據(jù)的遠(yuǎn)程傳輸，并通過(guò)人工智能模型進(jìn)行故障預(yù)測(cè)和預(yù)警，極大提升了變電站設(shè)備的智能化運(yùn)維水平，減少了設(shè)備故障的發(fā)生率和維護(hù)成本。