一种电力设备漏电监测方法、设备、介质及产品与流程

1.本发明涉及电力技术领域，特别涉及一种电力设备漏电监测方法、设备、介质及产品。


背景技术：

2.电力设备是保证配电网正常运行的重要设备，通常包含发电设备、变电设备和电力线路设备等。这些设备在运行过程中，一旦出现问题，会直接影响电力电网的安全。严重时，出现火灾或者危及用户生命。
3.目前，多数电网中的电力设备并未加装信息通讯装置，对其运行状态的了解必须亲临现场。电网中电力设备数量多、分布广，造成了电网安全管理的障碍。漏电保护涉及到电网运行的各个方面，出现漏电故障时需要排除的干扰因素多，解决起来较为繁琐，且过不及时对其进行抢修将会产生重大的负面影响。


技术实现要素：

4.为了实现根据本发明的上述目的和其他优点，本发明的第一目的是提供一种电力设备漏电监测方法，包括以下步骤：
5.通过监控设备采集电网中电力设备运行环境中的信息；
6.将采集到的信息发送至控制中心；
7.所述控制中心对采集到的信息进行识别；
8.将识别出的信息作为漏电模型的输入，得到电力设备漏电分析结果。
9.进一步地，所述控制中心对采集到的信息进行识别，识别出的信息包括电力设备编号、电量趋势下降量、线损量、告警量和漏电标签。
10.进一步地，所述漏电模型的输入包括时间、电力设备编号、电量趋势下降量、线损量、告警量和漏电标签，输出为漏电标识。
11.进一步地，所述漏电模型为lm神经网络模型；所述lm神经网络模型采用keras库构建，包括以下步骤：
12.定义数据集，导入相关库；
13.生成lm神经网络模型，在所述lm神经网络模型中堆叠添加多个网络层；
14.向lm神经网络模型添加全连接层；
15.将lm神经网络模型的输入层连接到隐藏层；
16.定义损失函数和优化器，以及优化器对应的学习率；
17.更新权重，对lm神经网络模型进行优化；
18.通过调用模型的权重属性获得权重值。
19.进一步地，所述lm神经网络模型采用keras库构建还包括以下步骤：
20.导入数据分析库；
21.导入用于打乱顺序的随机函数；
22.获取数据名；
23.读取数据；
24.将表格转换为矩阵；
25.设置训练数据比例，划分数据。
26.进一步地，所述将识别出的信息作为漏电模型的输入包括以下步骤：
27.将被预处理数据标准化为[0,1]之间；
[0028]
通过最大相关性最小冗余法进行筛选。
[0029]
进一步地，所述lm神经网络模型的输出结果显示混淆矩阵，并将识别结果进行可视化显示。
[0030]
本发明的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现一种电力设备漏电监测方法。
[0031]
本发明的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现一种电力设备漏电监测方法。
[0032]
本发明的第四目的是提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现一种电力设备漏电监测方法。
[0033]
与现有技术相比，本发明的有益效果是：
[0034]
本发明提供一种电力设备漏电监测方法，利用现代通讯技术和电力监控设备，从监控设备得到的数据信息中提取出漏电设备的关键特征，构建漏电模型，自动检查判断电力设备是否存在漏电行为。实现漏电监测的信息化、自动化，在降低其工作繁琐性的同时，可提升电网漏电保护的效率。
[0035]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
[0036]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0037]
图1为实施例1的一种电力设备漏电监测方法流程图；
[0038]
图2为实施例1的lm神经网络模型构建流程图；
[0039]
图3为实施例2的一种电子设备原理图；
[0040]
图4为实施例3的一种计算机可读存储介质原理图。
具体实施方式
[0041]
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0042]
实施例1
[0043]
一种电力设备漏电监测方法，如图1所示，包括以下步骤：
[0044]
通过监控设备采集电网中电力设备运行环境中的信息；其中，监控设备为图像采集设备，如工业ccd摄像机等，可以实现360
°
采集电力设备运行环境中的信息。
[0045]
图像采集设备与控制中心通信连接，图像采集设备将采集到的信息发送至控制中心；
[0046]
控制中心对采集到的信息进行识别，识别出的信息包括电力设备编号、电量趋势下降量、线损量、告警量和漏电标签。其中，电量趋势下降量表示若电量趋势为不断下降的，则认为有漏电的可能性；线损量表示线路的线损率，可作为用户线损率的参考值；若用户发生漏电，则当天的线损率会下降；计算发生与漏电相关的终端报警的次数总和，作为告警量。
[0047]
将识别出的信息作为漏电模型的输入，得到电力设备漏电分析结果。其中，漏电模型的输入包括时间、电力设备编号、电量趋势下降量、线损量、告警量和漏电标签，输出为漏电标识。
[0048]
本实施例中，漏电模型为lm神经网络模型，既有gauss-newton法的局部特性，又具有梯度法的全局特性；如图2所示，lm神经网络模型采用keras库构建，包括以下步骤：
[0049]
定义数据集，导入相关库；
[0050]
生成lm神经网络模型，在lm神经网络模型中堆叠添加多个网络层，计算过程按网络层的堆叠顺序进行；
[0051]
向lm神经网络模型添加全连接层，全连接层用于模型中各个层之间的全连接；
[0052]
将lm神经网络模型的输入层连接到隐藏层；
[0053]
定义损失函数和优化器，以及优化器对应的学习率；
[0054]
更新权重，对lm神经网络模型进行优化；
[0055]
通过调用模型的权重属性获得权重值。
[0056]
通过训练集对lm神经网络模型进行训练，包括以下步骤：
[0057]
导入数据分析库，如pandas，实现快速便捷地处理数据；
[0058]
导入用于打乱顺序的随机函数；
[0059]
获取数据名；
[0060]
读取数据；
[0061]
将表格转换为矩阵；
[0062]
设置训练数据比例，划分数据，比如随机选取20％的数据作为测试样本，其他的数据作为训练样本。
[0063]
将识别出的信息作为漏电模型的输入包括以下步骤：
[0064]
将被预处理数据标准化为[0,1]之间，保证了运算的便捷；
[0065]
通过最大相关性最小冗余法进行筛选，能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本；能极大地改善用户使用数据的体验，提高使用数据的效率。
[0066]
lm神经网络模型的输出结果显示混淆矩阵，也就是比较分类结果和实际测得值，将分类结果的精度显示在混淆矩阵里面，并将识别结果进行可视化显示。
[0067]
实施例2
[0068]
一种电子设备200，如图3所示，包括：存储器201，其上存储有程序代码；处理器
202，其与存储器联接，并且当程序代码被处理器执行时，实现一种电力设备漏电监测方法。
[0069]
实施例3
[0070]
一种计算机可读存储介质，如图4所示，其上存储有程序指令，程序指令被执行时实现一种电力设备漏电监测方法。
[0071]
实施例4
[0072]
一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现一种电力设备漏电监测方法。
[0073]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0074]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0075]
以上仅为本说明书实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变换。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例本说明书一个或多个实施例。