CN119494559A 数字化变电站的凝露监测方法 （国网湖南省电力有限公司）

本发明公开了一种数字化变电站的凝露监测方法，包括获取目标数字化变电站的数据信实时获取目标数字化变电站的监测数据并选定据预测结果对目标数字化变电站给出最优的防2S7.基于步骤S6得到的优化后的凝露监测模型，生成目标数字化变电站的凝露风险预建立目标数字化变电站的三维模型，采用计算流体力学方案，对目标将得到的气流运动特征参数与温度、湿度进行关联分析，确定目标基于电磁波传输理论和凝露物理机理分析，选定若干个对凝露搭建凝露模拟实验平台，在不同凝露条件下进行实验，得到对得到的电磁波传输特性测试数据进行拟合和回归分析，得到凝露程度与电磁波频根据得到的监测频段，采集电磁波传输数据，得到反映凝露状态的电磁对得到的反映凝露状态的电磁波传输数据，进行视频域分析，提取能采用特征选择算法，对得到的特征参数进行筛选和优化，得到与采用得到的凝露程度预测特征集合，对支持向量回归算法进行采用得到的凝露程度预测模型进行目标数字化变电站的凝露3实时获取目标数字化变电站的环境监测数据；所述环境监基于最大相关最小冗余算法和Relief_F算法，对电磁波衰减特征数据进行特征选择，筛选得到与凝露程度相关性最大的衰减特征作对候选特征集进行特征提取和融合，采用主成分分析法提取衰减特征的主要成分特提取获取的图像数据和视频数据的图像特征参数，根据设定的要求对凝获取目标数字化变电站的气象预报数据，以及内部环境监测数据和电磁波衰减数据，将获取的环境参数和电磁波参数，通过数据对齐、时间序列插值和根据预测得到的凝露风险概率，采用聚类算法进行聚类分组，并将目标数字化变电站的监测网格设定为一个无向加权图，每个监测4根据步骤S7得到的预测结果，得到凝露风险大于设定阈值在防凝露措施知识库中，将凝露高风险区域的环境特点在各个候选措施中，根据候选措施的安装位置和安装方式9.根据权利要求1～8之一所述的数字化变电站的10.根据权利要求9所述的数字化变电站的凝露监测方法，其特征在于所述的步骤S9，基于支持向量机和卷积神经网络，构建凝露风险评估初始模型，并采用得到的凝露风险评估模型得到凝露风险评估结果，并结合目标数5[0004]目前，变电站采用的传统的凝露监测方案，依旧是简单的传感器+阈值报警的方[0005]本发明的目的在于提供一种可靠性高且精确性好的数字化变电站的凝露监测方[0012]S6.对步骤S5构建的凝露监[0013]S7.基于步骤S6得到的优化后的678[0063]如图1所示为本发明方法的方法流程示意图：本发明公开的这种数字化变电站的940℃~80℃、0100％、500hPa～1100hPa和0lux～100000lux，分辨率分别为0.1℃、选择全向辐射的单极天线作为发射天线，对数周期天线作为接收天线，天线增益分别为使用加权求和法对各频段的传输特性指标进行综合评分，权重系数可以通过AHP层次分析则触发设备强制停运保护。将凝露趋势预测结果通过Web服务的方式发布给相关业务系统PCA算法对候选特征集进行降维处理，选择累积贡献率大于95％的主成分作为主要成分特凝露区域的位置和大小信息，凝露量数据经过异常值剔除和平滑滤波后作为凝露量参数，练轮数100，激活函数tanh，损失函数均方误差，优化算法Adam。在部署应用时，使用[0097]S6.对步骤S5构建的凝露监高数据的存储效率和读取性能；使用SparkSQL对融合特征数据进行ETL处理，通过数据过之间的相关性，并使用热力图、散点图等可视化方式展示分析结果。基于SparkMLlib的Word2Vec算法，将融合特征向量转换为256维的词向量，用于后续的模型训练和相似度计训练样本集包含10000个正样本和50000个负样本，正样本为发生凝露时的融合特征向量，延小于50ms，资源利用率不超过50可满足实时预警的性能需求。当凝露发生概率超过每次预警触发后，将预警数据上传云端，更新云端的预警状态和处理记录。在云端使用[0101]S7.基于步骤S6得到的优化后的露监测云平台，并在云平台中使用HDFS分布式文件系统和HBase分布式数据库对监测数据进行存储和管理。使用MapReduce分布式计算框架对各监测点回传的海量监测数据进行并监测指标对应图像的不同通道，将转化后的图像输入到预训练的CNN模型中，提取高层特IDW算法对未知节点的风险等级进行插值预测，IDW是一种基于空间相关性的局部插值算题图层，对变电站的重点区域和关键设备进行标注，使用R语言的Shiny包开发交互式的提取时间、地点、指标等关键字段，将它们转化为标准的时空数据立方格式，使用等指标度量，趋势性分析可以使用Mann_Kendall秩相关检验、Theil_Sen估计等非参数方云端大数据平台和边缘智能网关的协同，实现防凝露措施方案的持续优化和自适应更新，算法对影响凝露的环境因子和设备因子进行特征选择，通过网格搜索和交叉验证的方法，50次迭代进行一次模型评估。在训练集上的准确率达到98在测试集上的准确率达到型。使用改进