过热故障的预警方法、装置和电子设备与流程

本技术涉及配电系统，特别是涉及一种过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。

背景技术：

1、在配电网或配电系统中，各个电能枢纽设备不仅能够传输电能，还起着开合、控制和保护用电设备的作用。以大电流开关柜为例，大电流开关柜依据电压等级可以分为中压开关柜、高压开关柜和超高压开关柜。开关柜大多集中安置，一旦某个开关柜发生故障，可能会引起连环爆炸，损坏其他开关柜等电能枢纽设备。其不仅会造成区域性停电，大面积甩负荷，危害电网健康运行，也有可能危及运维人员生命安全，带来不良社会影响。大电流开关柜其造价成本并不高，但发生故障后引起的社会经济影响较为严重。若不能有效地降低配电开关柜热故障率，将会与发展智能配网提高供电可靠性的目标背道而驰。

2、传统技术方案中，针对大电流开关柜的热隐患排查方法或者温度监测方法，通常是通过传感器的方式进行温度采集从而达到预警的效果。但是，现阶段中大电流开关柜温度监测的难题在于梅花触头的温度数据不易采集；而该部位是搭接点处最易增大发生热故障的关键部位。由于断路器梅花触头与静触头连接部位被触头盒紧密包裹，传感器布置空间有限，难以反映器件的真实温度，最终导致对开关柜过热故障事件预警的准确性低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种准确率更高的过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。

2、第一方面，本技术提供了一种过热故障的预警方法。所述方法包括：

3、获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；

4、采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；

5、将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；

6、若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。

7、在其中一个实施例中，所述初始监测温度的获取方式包括：

8、获取所述目标电能枢纽对应的三维模型、以及对目标器件进行温度监测的传感器装设位置；

9、根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场；

10、根据所述传感器装设位置，从所述温度场中提取得到所述初始监测温度。

11、在其中一个实施例中，所述根据所述三维模型和所述内部环境温度，构建所述目标电能枢纽对应的温度场包括：

12、对所述三维模型的几何结构进行简化；

13、将简化后的所述三维模型进行有限元拆分；

14、根据拆分后得到的有限元单元生成所述三维模型对应的有限元模型；

15、根据所述内部环境温度，生成所述有限元单元对应的单元温度；

16、根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场。

17、在其中一个实施例中，所述根据所述有限元模型和所述单元温度，生成所述目标电能枢纽对应的温度场包括：

18、获取所述负荷电流数据和所述目标器件对应的电阻值；

19、基于所述负荷电流数据、所述电阻值、以及所述单元温度，对所述有限元模型进行多物理场耦合，生成所述目标电能枢纽对应的温度场。

20、在其中一个实施例中，在将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度之前，包括：

21、获取训练数据集，所述训练数据集包括样本数据和样本标签，所述样本数据包括多个电能枢纽对应的历史温度值和历史电流数据，所述样本标签包括所述多个电能枢纽中历史器件对应的器件温度值；

22、将所述样本数据输入至待训练的神经网络模型，预测得到所述历史器件对应的预测温度值；

23、计算所述预测温度值与所述器件温度值之间的相对差值；

24、对所述神经网络模型的模型参数进行更新，直至所述相对差值不大于预设的温度差阈值，根据更新后的模型参数得到已训练的神经网络模型。

25、在其中一个实施例中，根据所述器件温度生成过热故障的告警信息包括：

26、获取所述器件温度与所述额定温度之间的温度差值；

27、若所述温度差值大于预设的热故障临界值，则根据所述器件温度和所述温度差值，生成过热故障的告警信息。

28、在其中一个实施例中，过热故障的预警方法还包括以下步骤：

29、若所述温度差值不大于预设的热故障临界值，则生成过热预警事件；

30、根据所述温度差值生成所述过热预警事件对应的预警值；

31、在预设时间周期内，监测所述预警事件的事件发生频率，根据所述事件发生频率对所述预警值进行更新；

32、若更新后的所述预警值不小于预设的预警阈值，则根据所述预警事件生成过热故障的告警信息。

33、第二方面，本技术还提供了一种过热故障的预警装置。所述装置包括：

34、温度采集模块，用于获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内的传感器对目标器件进行温度监测得到的温度值；

35、负荷监测模块，用于采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；

36、温度预测模块，用于将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型中预测得到所述目标电能枢纽中目标器件的器件温度；

37、故障告警模块，用于当所述器件温度大于所述目标器件的额定温度时，根据所述器件温度生成过热故障的告警信息。。

38、第三方面，本技术还提供了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

39、获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；

40、采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；

41、将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；

42、若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。

43、第四方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

44、获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；

45、采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；

46、将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；

47、若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。

48、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

49、获取目标电能枢纽的内部环境温度和初始监测温度，所述初始监测温度是通过所述电能枢纽内置的传感器对目标器件进行温度监测得到的温度值；

50、采集所述目标电能枢纽在所述内部环境温度下的负荷电流数据；

51、将所述内部环境温度、所述负荷电流数据、以及所述初始监测温度，输入至已训练的神经网络模型，预测得到所述目标电能枢纽中目标器件的器件温度；

52、若所述器件温度大于所述目标器件的额定温度，则根据所述器件温度生成过热故障的告警信息。

53、上述过热故障的预警方法、装置、电子设备、存储介质和计算机程序产品。首先对目标电能枢纽的内部环境温度进行采集，同时获取目标电能枢纽内置传感对目标器件进行实时温度监测所得到的温度值。然后，获取该目标电能枢纽在这一内部环境温度下的符合电流数据。进一步地，将器件温度与目标器件的额定温度进行对比，判断是否需要触发过热故障的告警信息。在得到了内部环境温度、负荷电流数据以及传感器采集得到温度值的情况下，通过神经网络模型深度学习的方式生成目标器件真实的器件温度。上述器件温度的生成过程，能够克服因传感器布置位置受限，导致测温结果不准确的情况；并且，相较于直接采用传感器采集得到的温度值，预测得到的器件温度能够更为准确地反映目标电能枢纽中内部器件的真实温度，进而能够准确地对目标电能枢纽中发生的过热故障事件进行预警。