一种电力高压环网柜验电系统及方法与流程

本发明涉及环网柜检测，具体为一种电力高压环网柜验电系统及方法。

背景技术：

1、电力环网柜是用于接收、分配和控制来自电源端的高压电能，将其传送到各个用电设备或终端用户处。其中，与常规环网柜相比，高压环网柜具有大电压、大电流特点，需要更高级别的绝缘和防护措施，通常采用sf6气体绝缘、固体绝缘或混合型绝缘等技术，以保证在更高电压下的安全运行。

2、高压环网柜中的电缆接头是其重要组成部分之一，由电缆连接端子、绝缘材料、接头外壳和接地线等组成，具有连接、绝缘和保护电缆的作用。

3、由于高压环网柜中的电缆接头结构和功能多样复杂，容易出现安全故障；例如，绝缘材料受损或老化，可能导致接头的绝缘性能下降，增加电击、短路或击穿等故障的风险；甚至发生接触不良或火花放电，引发火灾或电路故障等。为了减少安全隐患，需要定期对电缆接头进行检查和维护，确保其正常运行和安全可靠。

4、现有技术中，申请号为cn202010331079.1的专利提出了基于环网柜的电缆分析装置及其检测方法；分析环网柜各个间隔的电缆温度变化信息的实时和历史数据，分析电缆接头的绝缘水平，并及时对环网柜电缆安全隐患提出预警。申请号为cn201310695855.6的专利提出了环网柜电缆接头温度监控系统及方法；通过分别实时测量环网柜内环境温度和环网柜内电缆接头温度并传送给温度监控终端内的数字信号处理器，对数据经过一定的补偿、校验，得出电缆接头实际温升速率，与之前设定的电缆接头实际温升速率阀值进行比较，并产生报警信号。申请号为cn202311782582.9的专利提出了一种环网柜的智能监控方法；通过实时采集电缆接头的图像、接头振动数据和电缆接口振动数据，绘制出振动数据的相似度趋势曲线；通过分析趋势曲线，预测电缆接头的松动风险，并据此生成状态分数。将预测的风险分值与状态分进行加权平均后，生成一个预警分值，用以评估是否需要进行维护，确保了电网的稳定和安全。

5、在高压环网柜中，由于其大电压、大电流的特点，更容易出现电缆接头的持续高温，导致电缆接头的部分材料受热分解，产生有害气体，同时损害电缆接头的工作性能；现有对电缆接头检测的技术主要通过电流和温度等维度，对环网柜中的电缆接头的进行检测；没能将气体检测和浓度变化纳入电缆接头的检验体系，存在一定的检测误差。

6、为此，提出一种电力高压环网柜验电系统及方法。

技术实现思路

1、本发明的目的在于提供一种电力高压环网柜验电系统及方法，通过构建电流异常识别模型，通过统计特征数据、周期特征数据、频谱特征数据和动态特征数据等数据维度，对所述电流数据集的异常进行识别，得到电流异常系数；构建图像异常识别模型，通过图像异常识别模型对第一图像和第二图像进行识别，并计算得到图像异常系数；通过气体浓度阈值对气体的浓度进行加权，通过速度阈值对气体浓度的变化速度进行加权；进而计算得到气体异常系数；通过电流异常系数、图像异常系数和气体异常系数计算得到电缆接头异常系数，准确地对异常进行识别和预警。

2、为实现上述目的，本发明提供如下技术方案；

3、一种电力高压环网柜验电系统，包括：

4、电流数据获取模块，通过电流传感器实时监测电缆接头中的电流变化，得到电流数据集；

5、电流异常识别模块，通过电流异常识别模型对所述电流数据集进行识别，通过统计特征、周期特征、频谱特征和动态特征识别得到电流异常系数；

6、图像数据获取模块，获取所述电缆接头的图像数据，记为图像数据集；所述图像数据集中包括第一图像数据集和第二图像数据集；所述第一图像数据集通过摄像设备拍摄获取；所述第二图像数据集为通过红外热成像技术获取的红外图像数据；

7、图像异常识别模块，构建图像异常识别模型，通过所述图像异常识别模型对所述图像数据集中的所述第一图像数据集和所述第二图像数据集进行识别，得到图像异常系数；

8、气体异常识别模块，通过气体成分检测装置对所述电缆接头所处的电缆室进行检测，得到气体成分数据和气体浓度数据；根据所述气体成分数据和所述气体浓度数据，计算得到气体异常系数；

9、电缆接头预警模块，通过所述电流异常系数、所述图像异常系数和所述气体异常系数计算得到电缆接头异常系数；根据所述电缆接头异常系数和异常阈值进行判断，发出预警信息。

10、所述电流异常识别模型包括电流数据输入层、电流数据预处理层、电流数据特征提取层、统计特征识别层、周期特征识别层、频谱特征识别层、动态特征识别层、电流特征融合层和识别结果输出层；

11、所述电流数据输入层，用于将所述电流数据集输入模型；

12、所述电流数据预处理层，用于对所述电流数据集进行预处理，得到预处理电流数据集；

13、所述电流数据特征提取层，用于对所述预处理电流数据集进行特征识别与提取；得到统计特征数据、周期特征数据、频谱特征数据和动态特征数据；

14、所述统计特征识别层，用于对所述统计特征数据进行识别得到第一异常概率；所述周期特征识别层，用于对所述周期特征数据进行识别得到第二异常概率；所述频谱特征识别层，用于对所述频谱特征数据进行识别得到第三异常概率；所述动态特征识别层用于对所述动态特征数据进行识别，得到第四异常概率；

15、所述电流特征融合层，通过所述第一异常概率、所述第二异常概率、所述第三异常概率和所述第四异常概率，加权得到电流异常系数；

16、所述识别结果输出层，用于将所述电流异常系数输出。

17、所述图像异常识别模型包括图像数据输入层、图像数据预处理层、第一异常识别层、第二异常识别层、第三异常识别层和图像异常测算输出层；

18、图像数据输入层，用于将所述图像数据输入至模型进行训练；

19、图像数据预处理层，对图像数据进行拆分和组合，得到第一识别组、第二识别组和第三识别组；所述第一识别组为目标时刻第一图像与相邻时刻第一图像；所述第二识别组为目标时刻第二图像与相邻时刻第二图像；所述第三识别组为目标时刻的第一图像与第二图像；

20、第一异常识别层，识别得到第一识别组的图像相似度，得到第一相似度；

21、第二异常识别层，识别得到第二识别组的图像相似度，得到第二相似度；

22、第三异常识别层，识别得到第三识别组中的第一图像异常区域、第二图像异常区域，识别所述第一图像异常区域和所述第二图像异常区域的重合区域，得到第三图像异常区域；

23、图像异常测算输出层，根据所述第一相似度、所述第二相似度、所述第一图像异常区域、所述第二图像异常区域和所述第三图像异常区域计算得到图像异常系数，并将所述图像异常系数输出。

24、所述图像异常系数的计算公式为：

25、

26、其中，imc表示图像异常系数；β1表示第一权重；sim1表示第一相似度；th1表示第一阈值；β2表示第二权重；sim2表示第二相似度；th2表示第二阈值；β3表示第三权重；th3表示第三阈值；γ1表示第一区域系数；area1表示第一图像异常区域；area2表示第二图像异常区域；γ2表示第二区域系数；area3表示第三图像异常区域。

27、根据检测周期对环网柜中的电缆室进行气体检测，得到气体数据集；所述气体数据集包括气体成分数据和气体浓度数据；

28、根据所述气体成分数据和所述气体浓度数据计算得到气体异常系数；

29、所述气体异常系数的测算公式为：

30、

31、其中，gac表示气体异常系数；θi表示气体i的危险系数；gci表示气体i的浓度；gt表示气体浓度阈值；gratei表示气体i的浓度变化速度；vt表示速度阈值；n表示气体数量。

32、通过所述电流异常系数、所述图像异常系数和所述气体异常系数计算得到电缆接头异常系数；

33、所述电缆接头异常系数的计算公式为：

34、cabj＝exp(cura+imc+gac)；

35、其中，cabj表示电缆接头异常系数；cura表示电流异常系数；imc表示图像异常系数；gac表示气体异常系数；exp表示以自然常数为底的指数函数。

36、一种电力高压环网柜验电方法，包括：

37、通过电流传感器实时监测电缆接头中的电流变化，得到电流数据集；

38、通过电流异常识别模型对所述电流数据集进行识别，通过统计特征、周期特征、频谱特征和动态特征识别得到电流异常系数；

39、获取所述电缆接头的图像数据，记为图像数据集；所述图像数据集中包括第一图像数据集和第二图像数据集；所述第一图像数据集通过摄像设备拍摄获取；所述第二图像数据集为通过红外热成像技术获取的红外图像数据；

40、构建图像异常识别模型，通过所述图像异常识别模型对所述图像数据集中的所述第一图像数据集和所述第二图像数据集进行识别，得到图像异常系数；

41、通过气体成分检测装置对所述电缆接头所处的电缆室进行检测，得到气体成分数据和气体浓度数据；根据所述气体成分数据和所述气体浓度数据，计算得到气体异常系数；

42、通过所述电流异常系数、所述图像异常系数和所述气体异常系数计算得到电缆接头异常系数；根据所述电缆接头异常系数和异常阈值进行判断，发出预警信息。

43、所述电流异常识别模型包括电流数据输入层、电流数据预处理层、电流数据特征提取层、统计特征识别层、周期特征识别层、频谱特征识别层、动态特征识别层、电流特征融合层和识别结果输出层；

44、所述电流数据输入层，用于将所述电流数据集输入模型；

45、所述电流数据预处理层，用于对所述电流数据集进行预处理，得到预处理电流数据集；

46、所述电流数据特征提取层，用于对所述预处理电流数据集进行特征识别与提取；得到统计特征数据、周期特征数据、频谱特征数据和动态特征数据；

47、所述统计特征识别层，用于对所述统计特征数据进行识别得到第一异常概率；所述周期特征识别层，用于对所述周期特征数据进行识别得到第二异常概率；所述频谱特征识别层，用于对所述频谱特征数据进行识别得到第三异常概率；所述动态特征识别层用于对所述动态特征数据进行识别，得到第四异常概率；

48、所述电流特征融合层，通过所述第一异常概率、所述第二异常概率、所述第三异常概率和所述第四异常概率，加权得到电流异常系数；

49、所述识别结果输出层，用于将所述电流异常系数输出。

50、所述图像异常识别模型包括图像数据输入层、图像数据预处理层、第一异常识别层、第二异常识别层、第三异常识别层和图像异常测算输出层；

51、图像数据输入层，用于将所述图像数据输入至模型进行训练；

52、图像数据预处理层，对图像数据进行拆分和组合，得到第一识别组、第二识别组和第三识别组；所述第一识别组为目标时刻第一图像与相邻时刻第一图像；所述第二识别组为目标时刻第二图像与相邻时刻第二图像；所述第三识别组为目标时刻的第一图像与第二图像；

53、第一异常识别层，识别得到第一识别组的图像相似度，得到第一相似度；

54、第二异常识别层，识别得到第二识别组的图像相似度，得到第二相似度；

55、第三异常识别层，识别得到第三识别组中的第一图像异常区域、第二图像异常区域，识别所述第一图像异常区域和所述第二图像异常区域的重合区域，得到第三图像异常区域；

56、图像异常测算输出层，根据所述第一相似度、所述第二相似度、所述第一图像异常区域、所述第二图像异常区域和所述第三图像异常区域计算得到图像异常系数，并将所述图像异常系数输出。

57、根据检测周期对环网柜中的电缆室进行气体检测，得到气体数据集；所述气体数据集包括气体成分数据和气体浓度数据；

58、根据所述气体成分数据和所述气体浓度数据计算得到气体异常系数；

59、所述气体异常系数的测算公式为：

60、

61、其中，gac表示气体异常系数；θi表示气体i的危险系数；gci表示气体i的浓度；gt表示气体浓度阈值；gratei表示气体i的浓度变化速度；vt表示速度阈值；n表示气体数量。

62、与现有技术相比，本发明的有益效果为：

63、1、本发明构建电流异常识别模型，通过所述电流异常识别模型对电流数据集进行特征提取，得到统计特征数据、周期特征数据、频谱特征数据和动态特征数据；再通过上述数据特征维度，对所述电流数据集的异常进行识别，得到电流异常系数；通过所述电流异常系数可以准确地对电缆接头的电流异常情况进行识别和预警。

64、2、本发明获得电缆接头的图像和红外图像，通过目标时刻图像与相邻时刻图像识别得到第一相似度；通过目标时刻红外图像与相邻时刻红外图像识别得到第二相似度；再通过目标时刻的图像与红外图像识别异常区域；通过权重和阈值对第一相似度、第二相似度和图像异常区域进行加权和计算，得到图像异常系数；准确地对电缆接头图像的异常变化进行衡量。

65、3、本发明通过气体检测装置获取气体成分和气体的浓度数据；通过气体浓度阈值对气体的浓度进行加权，通过速度阈值对气体浓度的变化速度进行加权；进而计算得到气体异常系数，准确地对电缆室内部的气体异常变化进行衡量和识别。