一种自动化数据采集方法与流程

本发明涉及信息，尤其涉及一种自动化数据采集方法。背景技术：：：1、在现代电力系统中，设备的绝缘性能对于整个系统的安全运行至关重要。电力设备，尤其是高压设备，如变压器、开关设备和电缆等，其绝缘状况直接影响到系统的可靠性和安全性。局部放电是电力设备中常见的一种电气放电现象，通常发生在设备绝缘材料存在缺陷或老化时。这种放电虽小，但若未能及时发现和处理，可逐渐演变成严重的设备故障。传统的局部放电检测方法包括电气检测和物理检查等。电气检测方法如电容测量和高频电流检测虽广泛应用，但通常只能提供有限的信息，难以准确地定位放电源和分析放电的严重程度。而物理检查方法如红外摄影和声音检测，虽能提供直观的故障证据，但往往需要设备停机和长时间的检测过程，这在高压和大容量的电力系统中显得尤为困难。此外，这些方法往往依赖于高级技术人员的经验和判断，缺乏自动化和实时性，无法满足现代电力系统对于高效和连续运行的需求。更为复杂的是，环境因素如温度、湿度以及设备运行状态的变化都会影响局部放电的行为，使得靠传统方法进行有效监测更加困难。例如，温度和湿度的升高通常会加剧绝缘材料的劣化速度，增加放电活动。在这种情况下，传统的基于固定阈值的检测方法难以适应环境和运行条件的快速变化。此外，电力设备的局部放电通常不是孤立事件，而是可能在设备的多个部位同时发生，形成所谓的放电聚集区域。这些区域往往是设备故障的前兆，需要特别关注。然而，传统检测方法很难实现对这些聚集区域的精确监测和及时反馈，常常导致对潜在严重故障的反应延迟。因此，电力行业亟需一种能够实现对局部放电的高灵敏度检测、实时监测和动态响应的方法。技术实现思路1、本发明对上述现有技术存在的问题，提供一种自动化数据采集方法，主要包括：2、通过安装在电力设备周围的环境传感器获取实时环境变量，基于历史环境变量和局部放电事件的基准检测阈值，构建检测阈值调整模型，调整局部放电事件的检测阈值，并判断电力设备检测区域是否存在局部放电事件；3、通过定向阵列传感器，获取存在局部放电事件的电力设备检测区域中包含不同声音源的混合声音信号，并从不同声音源的声音信号中提取关键声音特征，基于提取的关键声音特征，判断声音源发生局部放电事件的类型；4、根据发生局部放电事件的声音源的位置、关键声音特征和局部放电事件类型，识别电力设备检测区域内的局部放电聚集事件类型，并判断电力设备检测区域是否为局部放电聚集区域，局部放电聚集事件类型包括单一放电事件和多重放电事件；5、根据局部放电聚集区域的放电频率、放电强度、放电聚集程度和放电相互作用指数，评估局部放电聚集区域的故障风险程度，并根据故障风险程度评估结果设置相应的预警阈值；6、获取故障风险评估结果为低的局部放电聚集区域内各局部放电事件的放电强度变化率和放电频率变化率，判断局部放电聚集区域的放电稳定性状态；7、若局部放电聚集区域处于失稳状态，则结合向量自回归模型和故障风险程度评估模型预测故障风险发展趋势，并根据故障风险发展趋势对该局部放电聚集区域实施预防性维护活动；8、根据电力设备维护结果，判断电力设备的维护效果，并基于实时数据反馈结果，持续优化预警阈值和监测策略。9、进一步地，所述通过安装在电力设备周围的环境传感器获取实时环境变量，基于历史环境变量和局部放电事件的基准检测阈值，构建检测阈值调整模型，调整局部放电事件的检测阈值，并判断电力设备检测区域是否存在局部放电事件，包括:10、通过安装在电力设备周围的环境传感器获取实时环境变量数据，实时环境变量数据包括温度、湿度和大气压强；通过电力设备运维历史记录，获取历史环境变量数据，并标注历史环境变量数据对应的局部放电事件的基准检测阈值，采用随机森林回归算法进行模型训练，构建检测阈值调整模型；根据实时环境变量数据，使用检测阈值调整模型，调整局部放电事件的检测阈值；采用局部放电检测器获取电力设备检测区域的放电数据，放电数据包括放电频率和放电强度；根据调整后的局部放电事件的检测阈值和电力设备的放电数据，判断电力设备检测区域是否存在局部放电事件。11、进一步地，所述通过定向阵列传感器，获取存在局部放电事件的电力设备检测区域中包含不同声音源的混合声音信号，并从不同声音源的声音信号中提取关键声音特征，基于提取的关键声音特征，判断声音源发生局部放电事件的类型，包括:12、若电力设备检测区域存在局部放电事件，则通过电力设备检测区域的定向阵列传感器，获取电力设备检测区域产生的混合声音信号，混合声音信号包括各种频率的声音波形以及相应的时间戳信息；通过独立成分分析，从混合声音信号中分离出不同声音源的声音信号；使用短时傅里叶变换对分离出的各声音源的声音信号转换成频域表示，得到各声音源的声音信号的频率成分、频率峰值、振幅、持续时间；通过时间差异估计，计算每个声音源相对于传感器阵列的位置，确定声音源的位置；从每个声音源的声音信号中提取关键声音特征，关键声音特征包括频率峰值、频率、振幅、持续时间；通过电力设备运维历史记录获取历史关键声音特征数据，并对历史关键声音特征数据标注相应的局部放电事件的类型，局部放电事件的类型包括树枝放电、浮游放电、电晕放电、穿孔放电、表面放电；根据带有局部放电事件的类型标注的历史关键声音特征数据，利用随机森林算法进行模型训练，构建局部放电事件分类模型；根据提取的关键声音特征，使用局部放电事件分类模型，判断各个声音源发生的局部放电事件的类型。13、进一步地，所述根据发生局部放电事件的声音源的位置、关键声音特征和局部放电事件类型，识别电力设备检测区域内的局部放电聚集事件类型，并判断电力设备检测区域是否为局部放电聚集区域，局部放电聚集事件类型包括单一放电事件和多重放电事件，包括:14、获取电力设备检测区域内各局部放电事件类型，若局部放电事件类型数量大于1，则判定该电力设备检测区域为局部放电聚集区域，若局部放电事件类型数量为1，则获取电力设备检测区域内局部放电事件类型一致的各声音源的位置、关键声音特征；通过计算皮尔逊相关系数的方法获得各声音源的关键声音特征的相似度，若局部放电事件类型一致的各声音源之间的距离均小于预设距离阈值且关键声音特征相似度大于预设相似度阈值，则判定各声音源属于同一局部放电事件的不同阶段，该电力设备检测区域的局部放电聚集事件为单一放电事件；若电力设备检测区域内存在声音源之间的距离大于预设距离阈值或关键声音特征相似度小于预设相似度阈值，则判定该电力设备检测区域的局部放电聚集事件为多重放电事件，并确定该电力设备检测区域为局部放电聚集区域。15、进一步地，所述根据局部放电聚集区域的放电频率、放电强度、放电聚集程度和放电相互作用指数，评估局部放电聚集区域的故障风险程度，并根据故障风险程度评估结果设置相应的预警阈值，包括:16、通过局部放电聚集区域部署的传感器，实时获取局部放电聚集区域内局部放电事件的放电频率、放电强度、放电聚集程度和放电相互作用指数数据，其中，放电聚集程度根据局部放电聚集区域内局部放电事件的数量和分布评估，放电相互作用指数基于放电源间的距离和放电特征获得；获取局部放电聚集区域的历史放电频率数据、历史放电强度数据、历史放电聚集程度数据和历史放电相互作用指数数据，使用逻辑回归算法进行模型训练，构建局部放电聚集区域的故障风险程度评估模型；根据实时获取的局部放电聚集区域的放电频率、放电强度、放电聚集程度和放电相互作用指数，使用局部放电聚集区域的故障风险程度评估模型，评估局部放电聚集区域的故障风险程度；根据故障风险程度设置相应的预警阈值，并实时监测局部放电聚集区域的故障风险程度；若故障风险程度超过预设第一程度值，则激活预警信号，调度针对局部放电聚集区域的维护活动，维护活动包括局部绝缘修复、部件更换、增加监测点或提高监测频率。17、还包括，根据局部放电聚集区域内的放电数据，评估局部放电聚集区域的放电聚集程度和放电相互作用指数。18、所述根据局部放电聚集区域内的放电数据，评估局部放电聚集区域的放电聚集程度和放电相互作用指数，具体包括:19、获取局部放电聚集区域内局部放电事件的时间戳、放电源位置、放电强度和放电频率；将每个放电事件的位置映射到对应的局部放电聚集区域上；将整个局部放电聚集区域划分成若干网格，每个网格作为一个单独的监测单元统计放电事件；获取每个网格内的放电次数，通过变异系数评估放电次数在网格间的分布均匀性，异系数越大，则放电事件的分布越不均匀，聚集程度越高，放电聚集程度包括低放电聚集、中放电聚集、高放电聚集；根据放电源间的距离和放电频率差异，使用放电相互作用指数公式，计算两个放电源之间的放电相互作用指数，其中dij是放电源i和j之间的距离，δfij是放电源i和j的放电频率差异，α是距离衰减系数，用于调整距离对相互作用的影响程度，根据设备类型和历史放电数据进行调整。根据放电聚集区域内放电源的放电相互作用指数，使用区域放电相互作用指数公式，计算得到放电聚集区域的放电相互作用指数，其中n为放电聚集区域内放电源数量。20、进一步地，所述获取故障风险评估结果为低的局部放电聚集区域内各局部放电事件的放电强度变化率和放电频率变化率，判断局部放电聚集区域的放电稳定性状态，包括:21、若局部放电聚集区域的故障风险评估结果为低，则通过局部放电检测器获取局部放电事件的放电强度、放电频率以及时间戳；根据放电强度数据中连续时间点的放电强度值和放电频率，计算每个局部放电事件的放电强度变化率和放电频率变化率；根据局部放电事件的放电强度变化率和放电频率变化率，判断局部放电聚集区域的放电稳定性状态，放电稳定性状态包括稳定状态和失稳状态。22、进一步地，所述若局部放电聚集区域处于失稳状态，则结合向量自回归模型和故障风险程度评估模型预测故障风险发展趋势，并根据故障风险发展趋势对该局部放电聚集区域实施预防性维护活动，包括:23、若局部放电聚集区域处于失稳状态，则通过局部放电检测器获取局部放电聚集区域的放电频率、放电强度、放电聚集程度以及放电相互作用指数的历史监测数据；根据历史监测数据，使用向量自回归模型，预测未来预设时间段内的局部放电聚集区域的放电频率、放电强度、放电聚集程度和放电相互作用指数；根据局部放电聚集区域的放电频率、放电强度、放电聚集程度和放电相互作用指数的预测结果，结合故障风险程度评估模型，预测局部放电聚集区域故障风险程度大于预设第二程度值的时间点；根据局部放电聚集区域故障风险程度大于预设第二程度值的时间点，确定该局部放电聚集区域的预防性维护活动，预防性维护活动包括设定提前维护日期、调配相关技术人员和维护资源，并更换或修复局部放电聚集区域的绝缘材料。24、进一步地，所述根据电力设备维护结果，判断电力设备的维护效果，并基于实时数据反馈结果，持续优化预警阈值和监测策略，包括:25、获取电力设备维护完成前的电力设备运行数据和维护完成后的电力设备运行数据，电力设备运行数据包括放电频率、放电强度、设备温度、电流、电压，以及维护中的异常记录；通过数据整合平台整理和预处理电力设备运行数据，预处理包括去除异常值、填充缺失值以及数据归一化处理；根据放电频率和强度的变化，评估维护活动的维护效果，并使用数据可视化工具tableau展示维护前后的电力设备性能变化；根据维护活动的维护效果，评估当前预警策略和监测策略的有效性；若预警阈值或维护措施有效性低于预设有效性阈值，则调整预警阈值和监测频率，得到调整后的预警策略和监测策略；实施新的预警策略和监测策略，并获取新的维护活动的维护效果，持续优化电力设备的预警策略和监测策略。26、本发明实施例提供的技术方案可以包括以下有益效果：27、本发明提供了一种自动化数据采集方法，通过结合实时环境变量监测和历史数据分析，动态调整局部放电的检测阈值，能够更精确地识别和响应局部放电事件。这种方法可以实时调整阈值，适应环境变化，减少误报和漏报的可能性。本发明通过预测局部放电事件的未来趋势，能够提前识别潜在的故障发生，从而采取预防性维护措施，不仅延长了设备的使用寿命，也显著减少了由于突发故障导致的经济损失和安全风险。通过对局部放电聚集区域进行分析，可以精确识别出单一放电事件或多重放电事件，进而评估和管理整个电力设备检测区域的故障风险等级。这种区域级的风险管理策略有助于系统性地解决电力设备的故障问题，确保整个系统的稳定运行。基于维护结果和实时数据反馈，能够不断调整和优化监测策略和预警阈值。确保了维护活动与实际设备状态紧密相关，提高了维护工作的有效性和效率。当前第1页12当前第1页12