一种开关分合闸到位检测方法、装置、设备及介质与流程

本发明涉及电气设备状态监测领域，尤其涉及一种开关分合闸到位检测方法、装置、设备及介质。

背景技术：

1、随着技术进步，gis(gas insulated switchgear，气体绝缘开关设备)凭借节能、占地面积小、安装简单和检修方便等优点被广泛应用于电力系统中。

2、gis设备通常是由箱体整体密封的，运行维护人员难以观察到gis设备内部的各个部件的具体情况，运行维护人员无法准确判断gis隔离开关的分合闸是否到位，可能造成带电误合接地刀闸、带地线送电等严重后果，严重时甚至会导致gis设备爆炸，影响整个电力系统的稳定运行。

技术实现思路

1、本发明提供了一种开关分合闸到位检测方法、装置、设备及介质，以实现gis设备的开关分合闸到位检测，提高电力系统运行稳定性。

2、根据本发明的一方面，提供了一种开关分合闸到位检测方法，所述方法包括：

3、获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；

4、根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；

5、根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。

6、根据本发明的另一方面，提供了一种开关分合闸到位检测装置，包括：

7、声音信号获取模块，获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；

8、深度学习模型确定模块，用于根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；

9、开关分合闸到位判断模块，用于据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。

10、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

11、至少一个处理器；以及

12、与所述至少一个处理器通信连接的存储器；其中，

13、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的开关分合闸到位检测方法。

14、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的开关分合闸到位检测方法。

15、本申请实施例的技术方案，包括：获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。本技术方案通过两个预先训练的深度学习模型分别检测开关分闸声音信号和开关合闸声音信号，准确地得到了开关分合闸到位检测的结果，保障了电力系统的安全稳定运行。

16、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种开关分合闸到位检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，获取开关的声音信号之后，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，对所述声音信号进行滤波，得到滤波后的声音信号之后，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，训练与所述声音信号匹配的深度学习模型，包括：

5.根据权利要求4所述的方法，其特征在于，所述深度学习模型的输入包括：所述声音信号的频率、声强、响度和信噪比中至少一项。

6.根据权利要求4所述的方法，其特征在于，所述深度学习模型的损失函数基于最大似然估计法得到。

7.一种开关分合闸到位检测装置，其特征在于，包括：

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的开关分合闸到位检测方法。

技术总结
本申请实施例公开了一种开关分合闸到位检测方法、装置、设备及介质。其中，该方法包括：获取开关的声音信号；其中，所述声音信号包括：开关分闸声音信号或开关合闸声音信号；根据所述开关的声音信号，确定与所述声音信号匹配的预先训练的深度学习模型；其中，所述深度学习模型用于开关分合闸到位检测；根据所述声音信号以及与所述声音信号匹配的预先训练的深度学习模型，判断所述开关分闸是否到位，或者，判断所述开关合闸是否到位。本技术方案通过两个预先训练的深度学习模型分别检测开关分闸声音信号和开关合闸声音信号，准确地得到了开关分合闸到位检测的结果，保障了电力系统的安全稳定运行。

技术研发人员：邓建新,黎才添,胡伟江,严文浩
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/1/11