本發(fā)明涉及斷路器檢測及開關(guān)柜監(jiān)測的自動化裝備，尤其是斷路器智能檢測方法、系統(tǒng)及物聯(lián)網(wǎng)開關(guān)柜監(jiān)測系統(tǒng)。

背景技術(shù)：

1、斷路器和高壓開關(guān)柜的運行水平及安全可靠性對于保障供電系統(tǒng)正常供電至關(guān)重要，由于斷路器和高壓開關(guān)柜處于長期運行狀態(tài)，且受供電負(fù)荷波動和工作環(huán)境惡劣因素的影響，開關(guān)柜內(nèi)的斷路器和隔離開關(guān)等設(shè)備的電氣連接部位極易因溫升過高、碰撞擠壓而發(fā)生老化及損壞現(xiàn)象，導(dǎo)致設(shè)備漏電、短路和斷路器無法正常分合閘等故障，嚴(yán)重影響供電生產(chǎn)安全及效率。目前，針對斷路器和高壓開關(guān)柜的監(jiān)測可靠性低、斷路器和開關(guān)柜參數(shù)處理精確度低、斷路器狀態(tài)等級沒有精準(zhǔn)預(yù)警，無法有效保障其正常安全運行。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種斷路器智能檢測方法、系統(tǒng)及物聯(lián)網(wǎng)開關(guān)柜監(jiān)測系統(tǒng)，采用can現(xiàn)場總線和物聯(lián)網(wǎng)通信技術(shù)相結(jié)合，實現(xiàn)斷路器和開關(guān)柜參數(shù)遠(yuǎn)程傳輸，通過多種傳感設(shè)備實時監(jiān)測斷路器和開關(guān)柜內(nèi)設(shè)備的工況參數(shù)，應(yīng)用斷路器安全智能檢測方法實現(xiàn)斷路器安全等級預(yù)警，有效提高斷路器和開關(guān)柜監(jiān)測智能化水平，實現(xiàn)供電系統(tǒng)的開關(guān)柜精確和全面的無人化監(jiān)測。

2、技術(shù)方案：本發(fā)明所述的斷路器智能檢測方法，包括斷路器狀態(tài)檢測模塊，根據(jù)輸入的傳感器參數(shù)得到斷路器的安全等級；斷路器狀態(tài)檢測模塊包括斷路器參數(shù)處理模塊、第一模型至第十二模型；

3、斷路器參數(shù)處理模塊通過神經(jīng)網(wǎng)絡(luò)模型根據(jù)輸入的傳感器參數(shù)得到參數(shù)預(yù)測值，包括斷路器的溫度預(yù)測值、位移預(yù)測值和電流預(yù)測值；

4、溫度預(yù)測值和位移預(yù)測值和電流預(yù)測值均分別輸入第一模型、第二模型和第三模型；

5、第一模型的輸出作為第四模型、第五模型和第六模型的輸入，第五模型的輸出作為第六模型的輸入；第六模型的輸出作為第一模型和第七模型的輸入；

6、第二模型的輸出作為第四模型、第七模型和第八模型的輸入，第七模型的輸出作為第八模型的輸入；第八模型的輸出作為第二模型和第九模型的輸入；

7、第三模型的輸出作為第四模型、第九模型和第十模型的輸入，第九模型的輸出作為第十模型的輸入；第十模型的輸出作為第三模型和第五模型的輸入；

8、第四模型的輸出作為第十一模型和第十二模型的輸入；第十一模型的輸出作為第十二模型、第五模型、第七模型和第九模型的輸入；第十二模型的輸出作為第四模型、第六模型、第八模型和第十模型的輸入；

9、第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)，根據(jù)所述三角模糊數(shù)得到斷路器的安全等級；

10、其中，第一模型為bitcn神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)，第二模型為bigru神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第三模型為gcn圖神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第四模型為narx神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第五模型、第七模型、第九模型和第十一模型均為narx神經(jīng)網(wǎng)絡(luò)模型與sarima模型串聯(lián)；第六模型、第八模型、第十模型和第十二模型均為利用adaboost模型集成若干個gcn圖神經(jīng)網(wǎng)絡(luò)模型。

11、進(jìn)一步地，所述斷路器參數(shù)處理模塊包括第十三模型至第二十一模型；

12、傳感器參數(shù)輸入第十三模型和第十六模型，第十三模型的輸出作為第十五模型、第十七模型和第十八模型的輸入；第十五模型的輸出作為第十四模型、第十七模型和第十八模型的輸入；第十四模型的輸出作為第十六模型、第十七模型和第十八模型的輸入；第十六模型的輸出作為第十七模型和第十八模型的輸入；

13、第十七模型的輸出作為第十九模型、第二十模型和第二十一模型的輸入，第十八模型的輸出作為第十九模型、第二十模型和第二十一模型的輸入，第十九模型和第二十模型的輸出均作為第二十一模型的輸入；

14、第二十一模型的輸出為輸入的傳感器參數(shù)對應(yīng)的參數(shù)預(yù)測值；

15、其中，第十三模型和第十四模型均為bitcn神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十五模型和第二十模型均為narx神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十六模型和第十九模型均為narx神經(jīng)網(wǎng)絡(luò)模型與sarima模型串聯(lián)；第十七模型為bigru神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十八模型為gcn圖神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第二十一模型為利用adaboost模型集成若干個gcn圖神經(jīng)網(wǎng)絡(luò)模型。

16、進(jìn)一步地，所述第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)，根據(jù)所述三角模糊數(shù)得到斷路器的安全等級包括：根據(jù)所述三角模糊數(shù)將斷路器的安全等級分為很安全、比較安全、安全、不安全和很不安全。

17、進(jìn)一步地，所述第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)<x,y,z>，三角模糊數(shù)與斷路器的安全等級的對應(yīng)關(guān)系為：

18、三角模糊數(shù)<0.7，0.8，0.9>，斷路器的安全等級為很安全；

19、三角模糊數(shù)<0.6，0.7，0.8>，斷路器的安全等級為比較安全；

20、三角模糊數(shù)<0.5，0.6，0.7>，斷路器的安全等級為安全；

21、三角模糊數(shù)<0.4，0.5，0.6>，斷路器的安全等級為不安全；

22、三角模糊數(shù)<0.3，0.4，0.5>，斷路器的安全等級為很不安全。

23、本發(fā)明所述的斷路器智能檢測系統(tǒng)，包括斷路器狀態(tài)檢測模塊，用于根據(jù)輸入的傳感器參數(shù)得到斷路器的安全等級；斷路器狀態(tài)檢測模塊包括斷路器參數(shù)處理模塊、第一模型至第十二模型；

24、斷路器參數(shù)處理模塊通過神經(jīng)網(wǎng)絡(luò)模型根據(jù)輸入的傳感器參數(shù)得到參數(shù)預(yù)測值，包括斷路器的溫度預(yù)測值、位移預(yù)測值和電流預(yù)測值；

25、溫度預(yù)測值和位移預(yù)測值和電流預(yù)測值均分別輸入第一模型、第二模型和第三模型；

26、第一模型的輸出作為第四模型、第五模型和第六模型的輸入，第五模型的輸出作為第六模型的輸入；第六模型的輸出作為第一模型和第七模型的輸入；

27、第二模型的輸出作為第四模型、第七模型和第八模型的輸入，第七模型的輸出作為第八模型的輸入；第八模型的輸出作為第二模型和第九模型的輸入；

28、第三模型的輸出作為第四模型、第九模型和第十模型的輸入，第九模型的輸出作為第十模型的輸入；第十模型的輸出作為第三模型和第五模型的輸入；

29、第四模型的輸出作為第十一模型和第十二模型的輸入；第十一模型的輸出作為第十二模型、第五模型、第七模型和第九模型的輸入；第十二模型的輸出作為第四模型、第六模型、第八模型和第十模型的輸入；

30、第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)，根據(jù)所述三角模糊數(shù)得到斷路器的安全等級；

31、其中，第一模型為bitcn神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)，第二模型為bigru神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第三模型為gcn圖神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第四模型為narx神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第五模型、第七模型、第九模型和第十一模型均為narx神經(jīng)網(wǎng)絡(luò)模型與sarima模型串聯(lián)；第六模型、第八模型、第十模型和第十二模型均為利用adaboost模型集成若干個gcn圖神經(jīng)網(wǎng)絡(luò)模型。

32、進(jìn)一步地，所述斷路器參數(shù)處理模塊包括第十三模型至第二十一模型；

33、傳感器參數(shù)輸入第十三模型和第十六模型，第十三模型的輸出作為第十五模型、第十七模型和第十八模型的輸入；第十五模型的輸出作為第十四模型、第十七模型和第十八模型的輸入；第十四模型的輸出作為第十六模型、第十七模型和第十八模型的輸入；第十六模型的輸出作為第十七模型和第十八模型的輸入；

34、第十七模型的輸出作為第十九模型、第二十模型和第二十一模型的輸入，第十八模型的輸出作為第十九模型、第二十模型和第二十一模型的輸入，第十九模型和第二十模型的輸出均作為第二十一模型的輸入；

35、第二十一模型的輸出為輸入的傳感器參數(shù)對應(yīng)的參數(shù)預(yù)測值；

36、其中，第十三模型和第十四模型均為bitcn神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十五模型和第二十模型均為narx神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十六模型和第十九模型均為narx神經(jīng)網(wǎng)絡(luò)模型與sarima模型串聯(lián)；第十七模型為bigru神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第十八模型為gcn圖神經(jīng)網(wǎng)絡(luò)模型與transformer神經(jīng)網(wǎng)絡(luò)模型串聯(lián)；第二十一模型為利用adaboost模型集成若干個gcn圖神經(jīng)網(wǎng)絡(luò)模型。

37、進(jìn)一步地，所述第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)，根據(jù)所述三角模糊數(shù)得到斷路器的安全等級包括：根據(jù)所述三角模糊數(shù)將斷路器的安全等級分為很安全、比較安全、安全、不安全和很不安全。

38、進(jìn)一步地，所述第六模型、第八模型和第十模型的輸出組成三角模糊數(shù)<x,y,z>，三角模糊數(shù)與斷路器的安全等級的對應(yīng)關(guān)系為：

39、三角模糊數(shù)<0.7，0.8，0.9>，斷路器的安全等級為很安全；

40、三角模糊數(shù)<0.6，0.7，0.8>，斷路器的安全等級為比較安全；

41、三角模糊數(shù)<0.5，0.6，0.7>，斷路器的安全等級為安全；

42、三角模糊數(shù)<0.4，0.5，0.6>，斷路器的安全等級為不安全；

43、三角模糊數(shù)<0.3，0.4，0.5>，斷路器的安全等級為很不安全。

44、本發(fā)明所述的存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的斷路器智能檢測方法。

45、本發(fā)明所述的物聯(lián)網(wǎng)開關(guān)柜監(jiān)測系統(tǒng)，包括現(xiàn)場采集層、通信網(wǎng)絡(luò)層和遠(yuǎn)程監(jiān)控層；

46、現(xiàn)場采集層包括開關(guān)柜信息采集模塊，開關(guān)柜信息采集模塊包括布置在開關(guān)柜內(nèi)的傳感器及其相應(yīng)的信號調(diào)理電路、stm32微處理器和通信接口，用于實時采集開關(guān)柜設(shè)備參數(shù)、機器視覺和微氣象信息參數(shù)，將傳感器模擬信號轉(zhuǎn)換為數(shù)字信號進(jìn)行輸出；

47、通信網(wǎng)絡(luò)層由開關(guān)柜信息采集模塊的can現(xiàn)場總線接口和開關(guān)柜信息集中器構(gòu)成，用于開關(guān)柜的參數(shù)采集及遠(yuǎn)程監(jiān)控層的控制指令傳輸；開關(guān)柜信息集中器包括通信模塊、stm32單片機和can通信接口；

48、遠(yuǎn)程監(jiān)控層包括開關(guān)柜云平臺、開關(guān)柜遠(yuǎn)程監(jiān)控端和開關(guān)柜手機app端，開關(guān)柜云平臺實現(xiàn)開關(guān)柜設(shè)備參數(shù)采集、存儲和管理，開關(guān)柜遠(yuǎn)程監(jiān)控端實現(xiàn)開關(guān)柜參數(shù)的檢測和開關(guān)柜安全監(jiān)測，開關(guān)柜手機app端對開關(guān)柜設(shè)備參數(shù)監(jiān)視與遠(yuǎn)程控制。

49、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：

50、1、bitcn神經(jīng)網(wǎng)絡(luò)模型是一種雙向時間卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了被檢測斷路器的參數(shù)的雙向特征的有效提取，bitcn神經(jīng)網(wǎng)絡(luò)模型能夠通過堆疊的tcn殘差塊，更加有效地提取被檢測斷路器的更加深層和抽象的斷路器參數(shù)的時序特征，對比實驗表明，bitcn神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了更加優(yōu)異的被檢測斷路器的識別性能和魯棒性。

51、2、采用bitcn神經(jīng)網(wǎng)絡(luò)模型基于tcn神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)基礎(chǔ)，將tcn神經(jīng)網(wǎng)絡(luò)模型構(gòu)建成前向網(wǎng)絡(luò)和反向網(wǎng)絡(luò)能夠從正向序列和反向序列兩方面提取被檢測斷路器的數(shù)據(jù)時序特征，通過加性方式進(jìn)行融合，得到融合后的雙向時序特征最大限度表達(dá)了被檢測斷路器的數(shù)據(jù)集的深層和全局特征信息，利用bitcn堆疊的殘差塊提取斷路器參數(shù)的雙向序列的時序信息進(jìn)行特征融合，得到深層的斷路器參數(shù)的特征，有效提升了檢測斷路器參數(shù)的性能。

52、3、transformer神經(jīng)網(wǎng)絡(luò)模型是一種能夠有效集成斷路器參數(shù)的長序列信息的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它通過自注意力機制編碼斷路器參數(shù)序列信息之間的相關(guān)性，自注意力(self-attention)機制是一種能夠在長時間范圍內(nèi)有效整合被檢測斷路器信息的機制，它不需要引入循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而是利用對斷路器數(shù)據(jù)進(jìn)行自注意力計算得到序列之間的關(guān)系。自注意力機制摒棄了rnn和lstm中的遞歸結(jié)構(gòu)，直接連接了斷路器參數(shù)的輸入和輸出，有效解決了梯度爆炸和梯度消失的問題，從而在處理斷路器參數(shù)的時間序列長距離依賴中具有更顯著的效果，自注意力機制相比于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶模型的性能有顯著提升。

53、4、narx神經(jīng)網(wǎng)絡(luò)模型包含1輸入層、1層隱含層和1層輸出層的3層神經(jīng)網(wǎng)絡(luò)模型，其中時延層(timedelaylayer，tdl)為輸入層，表示輸入的斷路器數(shù)據(jù)經(jīng)過延時若干個采樣周期后再參與narx神經(jīng)網(wǎng)絡(luò)模型的運算。narx神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時處于開環(huán)狀態(tài)，在實際使用中則narx神經(jīng)網(wǎng)絡(luò)模型是閉環(huán)狀態(tài)，k時刻的narx神經(jīng)網(wǎng)絡(luò)模型輸出斷路器參數(shù)預(yù)測值在k+1時刻反饋至網(wǎng)絡(luò)narx神經(jīng)網(wǎng)絡(luò)模型的輸入端作為對應(yīng)的tdl輸入，此刻narx神經(jīng)網(wǎng)絡(luò)模型輸出可作為下一時刻narx神經(jīng)網(wǎng)絡(luò)模型的輸入，從而增強了narx神經(jīng)網(wǎng)絡(luò)模型的記憶斷路器的歷史參數(shù)能力，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)能夠記憶更長時間的斷路器參數(shù)的歷史和實時狀態(tài)信息。

54、5、bigru神經(jīng)網(wǎng)絡(luò)模型能夠通過雙向gru神經(jīng)網(wǎng)絡(luò)模型同時考慮斷路器的歷史和未來的數(shù)據(jù)，采用bigru神經(jīng)網(wǎng)絡(luò)模型有效地處理斷路器參數(shù)的時序性，同時考慮輸入斷路器參數(shù)時間序列的正向和反向信息，它通常對于不同長度和結(jié)構(gòu)的斷路器參數(shù)時間序列數(shù)據(jù)具有更強的泛化能力，考慮過去和未來的斷路器時序列信息，從而更全面地分析短期斷路器參數(shù)的變化，提高預(yù)測斷路器參數(shù)的準(zhǔn)確性。

55、6、gcn圖神經(jīng)網(wǎng)絡(luò)模型通過多層的圖卷積操作，使得每個斷路器參數(shù)的節(jié)點能夠聚合更廣泛的鄰居斷路器參數(shù)節(jié)點信息，從而實現(xiàn)對斷路器參數(shù)的節(jié)點特征的層級化表示和復(fù)雜關(guān)系的學(xué)習(xí)。gcn圖神經(jīng)網(wǎng)絡(luò)模型可以通過斷路器參數(shù)的節(jié)點特征向量進(jìn)行斷路器參數(shù)的節(jié)點鏈接預(yù)測和圖表示學(xué)習(xí)等任務(wù)，提高預(yù)測斷路器參數(shù)的準(zhǔn)確性、魯棒性和可靠性。

56、7、gcn圖神經(jīng)網(wǎng)絡(luò)模型-adaboost模型為adaboost模型集成gcn圖神經(jīng)網(wǎng)絡(luò)模型的一種集成學(xué)習(xí)方法，通過組合多個弱gcn圖神經(jīng)網(wǎng)絡(luò)模型形成強gcn圖神經(jīng)網(wǎng)絡(luò)模型。在每輪迭代中，adaboost模型根據(jù)先前的gcn圖神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果調(diào)整每個gcn圖神經(jīng)網(wǎng)絡(luò)模型輸出的樣本權(quán)重，提升gcn圖神經(jīng)網(wǎng)絡(luò)模型-adaboost模型整體預(yù)測斷路器參數(shù)性能。