基于数字孪生实现的电力HPLC台区故障监测方法与流程

本发明涉及电力hplc台区监测领域，具体涉及一种基于数字孪生实现的hplc台区监测方法。

背景技术：

1、高速电力线载波技术(high-speed power line broadband carrier hplc)一种电力线载波通信技术，多用于低压台区用电信息采集系统本地通信中(如抄表)。基于hplc技术，可实现高频数据采集、停电主动上报、时钟精准管理、相位拓扑识别、台区自动识别、id统一标识管理、档案自动同步、通信性能监测和网络优化等功能。

2、数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

3、在hplc台区内，设备种类多，节点多，网络结构复杂。简单的图表式的数据展示，很难直观的了解整个台区内设备的运行状况以及故障原因。

技术实现思路

1、为了直观的展示整个台区内设备的运行状况以及产生故障的原因，本发明提供了一种利用数字孪生的实现电力hplc台区的监测方法，包括如下步骤：

2、步骤1，构建hplc台区对应的数字孪生展示模型，将台区设备映射到时虚拟空间；

3、步骤2，在台区设备周围部署传感器，用于对设备周围的环境进行监测获取设备周围环境数据；

4、步骤3，构建故障预测模型，用于对台区设备的故障类型进行预测，所述故障预测模型的输入为台区设备上传的设备数据，以及设备周围环境数据；

5、步骤4，对故障预测模型进行训练，采用训练好的故障预测模型对采集到的设备数据，以及设备周围环境数据进行故障类型预测。

6、进一步的，步骤3中，所述设备数据包括电压、电流、电流频率、设备运行时长、设备设计寿命、同类型设备平均无故障时间、上次人工检修时间、是否曾经出现过故障；

7、所述设备周围环境数据包括温度、湿度、风力、有害气体浓度，震动系数、阳光强度，洁净度，环境是否存在有害液体。

8、进一步的，步骤3中，所述故障预测模型采用深度自编码网络，包括两个编码层、一个特征转换层、两个解码层和一个softmax分类器，其中两个编码层、一个特征转换层、两个解码层依次连接；所述两个编码层分别为第一编码层和第二编码层；所述两个解码层分别是第一解码层和第二解码层；第一编码层输出的数据分别输入到第二编码层和softmax分类器；第二编码层输出的数据分别输入到特征转换层和softmax分类器；特征转换层输出的数据分别输入到第一解码层和softmax分类器；第一解码层输出的数据分别输入到第二解码层和softmax分类器。

9、softmax分类器中基于输入的数据对故障类型进行分类；所述两个编码层分别用于对输入的数据进行特征提取和降维，所述特征转换层用于提取更深层的特征映射，两个解码层用于将提取的特征再转换为故障预测模型原输入数据的分辨率。

10、进一步的，步骤3中，所述故障类型包括线路中断、过电压，欠电压、倒杆、冰凝、断线、震荡、振荡、失步、系统瓦解。

11、进一步的，所述编码层、特征转换层和解码层均包括全连接层和sigmoid激活层；

12、进一步的，在设备数据、以及设备周围环境数据输入到故障预测模型之前，先进行归一化处理。

13、进一步的，设备数据归一化处理的表达式为：

14、

15、x为采集到的某一类数据的值，x′i为归一化之后的值，xmin、xmax分别是数据中的最小值和最大值，其中i对应16项设备数据，取值范围1～16。

16、进一步的，两个编码层对数据进行特征提取和降维，一个特征变换层进行特征变化，提取深层的特征映射，利用两个解码层将前面的特征变换为源输入的分辨率，每一层有全连接层和sigmoid激活层；

17、其中编码层的过程为

18、h＝fe(x)＝s(wex+be)

19、特征变换层的过程为

20、ht＝ft(x)＝s(wth+bt)

21、解码层的过程为

22、y＝fd(x)＝s(wdht+bd)

23、以上式子中，x表示该层的输入，s为sigmoid激活函数，w为卷积操作权重，b为偏置。

24、有益效果：利用三维模型，结合传感器采集到台区内各个设备的环境数据，直观的展示整个台区的状况。利用网络分析等功能，可以精细化的监控展示台区内的每个设备，同时支持整个台区的状态的展示和预测。

技术特征：

1.基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，步骤3中，所述设备数据包括电压、电流、电流频率、设备运行时长、设备设计寿命、同类型设备平均无故障时间、上次人工检修时间、是否曾经出现过故障；

3.根据权利要求1所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，步骤3中，所述故障预测模型采用深度自编码网络，包括两个编码层、一个特征转换层、两个解码层和一个softmax分类器，其中两个编码层、一个特征转换层、两个解码层依次连接；

4.根据权利要求1所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，步骤3中，所述故障类型包括线路中断、过电压，欠电压、倒杆、冰凝、断线、震荡、振荡、失步、系统瓦解。

5.根据权利要求3所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，所述编码层、特征转换层和解码层均包括全连接层和sigmoid激活层。

6.根据权利要求1所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，在设备数据、以及设备周围环境数据输入到故障预测模型之前，先进行归一化处理。

7.根据权利要求6所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，设备数据归一化处理的表达式为：

8.根据权利要求1所述基于数字孪生实现的电力hplc台区故障监测方法，其特征在于，两个编码层对数据进行特征提取和降维，一个特征变换层进行特征变化，提取深层的特征映射，利用两个解码层将前面的特征变换为源输入的分辨率，每一层有全连接层和sigmoid激活层；

技术总结
本发明公开了一种基于数字孪生实现的电力HPLC台区故障监测方法，其特征在于，包括如下步骤：步骤1，构建HPLC台区对应的数字孪生展示模型，将台区设备映射到时虚拟空间；步骤2，在台区设备周围部署传感器，用于对设备周围的环境进行监测获取设备周围环境数据；步骤3，构建故障预测模型，用于对台区设备的故障类型进行预测，所述故障预测模型的输入为台区设备上传的设备数据，以及设备周围环境数据；步骤4，对故障预测模型进行训练，采用训练好的故障预测模型对采集到的设备数据，以及设备周围环境数据进行故障类型预测。结合传感器采集到台区内各个设备的环境数据，直观的展示整个台区的状况。利用网络分析等功能，可以精细化的监控展示台区内的每个设备，同时支持整个台区的状态的展示和预测。

技术研发人员：方磊,徐俊,冯隆基,何映虹,吴芳柱,楚成博,解文涛,林鹤,汪晶,邢晓帆,赵逸,刘昱,王振宇,陆晟,严嘉钰,朱泽
受保护的技术使用者：国网江苏省电力有限公司南京供电分公司
技术研发日：
技术公布日：2024/3/11