基於工業網際網路的電力設備安全運行管理系統及方法與流程

2024-04-16 01:10:05

1.本發明涉及電力設備安全運行管理技術領域，具體為基於工業網際網路的電力設備安全運行管理系統及方法。


背景技術：

2.工業網際網路是新一代信息通信技術與工業經濟深度融合的新型基礎設施、應用模式和工業生態，通過對人、機、物、系統等的全面連接，構建起覆蓋全產業鏈、全價值鏈的全新製造和服務體系，為工業乃至產業數位化、網絡化、智能化發展提供了實現途徑，是第四次工業革命的重要基石。
3.電力設備主要包括發電設備和供電設備兩大類，發電設備主要是電站鍋爐、蒸汽輪機、燃氣輪機、水輪機、發電機、變壓器等等，供電設備主要是各種電壓等級的輸電線路、互感器、接觸器等等。其中，諸如變壓器，尤其是油浸式變壓器在產生故障時的聲音信號與正常運行時的聲音信號有所區別，而不同的故障聲音信號也對應著油浸式變壓器不同的故障點位，在現有技術中，一般主要依靠的是有經驗的運維人員對各個可能出現問題的故障點位進行逐一排查，最終確定產生故障的故障點位，這種方法一方面會耗費運維人員大量的時間，另一方面長時間的停電會對居民生活造成影響，與此同時，油浸式變壓器的應用場所可以是室內也可以是室外，當油浸式變壓器處於室內尤其是生產工具機、用於機械製造的廠房內時，產房內的噪聲信號會對油浸式變壓器獲取的當前故障信號產生影響，繼而造成系統對故障點位的判斷不準確。


技術實現要素：

4.本發明的目的在於提供基於工業網際網路的電力設備安全運行管理系統及方法，以解決上述背景技術中提出的問題。
5.為了解決上述技術問題，本發明提供如下技術方案：
6.基於工業網際網路的電力設備安全運行管理方法，所述方法包括以下步驟：
7.步驟s1：利用工業網際網路大數據獲取電力設備的歷史數據，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位，對所述歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集；
8.步驟s2：構建機器學習分類模型，將油浸式變壓器的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離；
9.步驟s3：獲取油浸式變壓器的當前故障聲音信號和當前運行環境，構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率；
10.步驟s4：設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率未超出閾值時，對油浸式變壓器的當前故障聲音信號進行頻譜分析，得到當前故障聲音頻譜特徵集，將
所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；
11.步驟s5：設置當前測試樣本與訓練樣本的歐氏距離閾值，在當前測試樣本與訓練樣本的歐氏距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；
12.步驟s6：當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位。
13.進一步的，在步驟s1中，
14.獲取油浸式變壓器w的歷史故障聲音信號集a＝{x1(n)，x2(n)，...，xm(n)}；其中，x1(n)，x2(n)，...，xm(n)分別表示油浸式變壓器w的第1、2、......、m個歷史故障聲音信號；對應的油浸式變壓器w的歷史運行故障點位集c＝{y1，y2，...，ym}；其中，y1，y2，...，ym分別表示油浸式變壓器w的第1、2、......、m個歷史運行故障點位；對所述歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集其中，分別表示第i個歷史故障聲音信號具有的第1、2、......、a種故障聲音頻譜特徵值；
15.對所述歷史故障聲音信號進行頻譜分析包括：
16.利用離散傅立葉變換對所述歷史故障聲音信號進行頻譜分析；
17.根據公式：
[0018][0019]
其中，k＝0，1，2，...，n-1；x(k)表示第i個歷史故障聲音信號經過離散傅立葉變換後的頻譜；xi(n)表示第i個歷史故障聲音信號。
[0020]
進一步的，在步驟s2中，所述構建機器學習分類模型包括：
[0021]
將所述油浸式變壓器w的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集d＝{(x1(n)，y1)，(x2(n)，y2)，......，(xm(n)，ym)}；其中，x1(n)，x2(n)，...，xm(n)分別表示機器學習分類模型的第1、2、......、m個訓練樣本；y1，y2，...，ym分別表示第1、2、......、m個樣本輸出結果；
[0022]
所述任一訓練樣本xi(n)包括樣本特徵集
[0023]
根據公式，計算任意兩個訓練樣本之間的歐式距離為：
[0024][0025]
其中，l2(xi(n)，xr(n))表示訓練樣本xi(n)與訓練樣本xr(n)之間的歐式距離；l表示訓練樣本xi(n)與訓練樣本xr(n)的樣本特徵的序號。
[0026]
在上述技術方案中，離散傅立葉變換是信號分析的最基本方法，傅立葉變換是傅立葉分析的核心，通過它把信號從時間域變換到頻率域，進而研究信號的頻譜結構和變化
規律；在本技術中，對不同的歷史故障聲音信號進行離散傅立葉變換能夠快速清楚地得到不同的歷史故障聲音頻譜特徵，為構建機器學習分類模型提供基礎。
[0027]
進一步的，在步驟s3中，獲取油浸式變壓器w的當前故障聲音信號和當前運行環境；
[0028]
所述油浸式變壓器e的當前運行環境包括獲取油浸式變壓器w當前故障聲音信號的時間tw和油浸式變壓器w所在位置的工業噪聲強度qw；
[0029]
所述獲取油浸式變壓器w當前故障聲音信號的時間tw∈[0，24]；
[0030]
所述油浸式變壓器w所在位置的工業噪聲強度qw∈[q
min
，q
max
]；其中，q
min
表示油浸式變壓器w所在位置的工業噪聲強度的最小值；q
max
表示油浸式變壓器w所在位置的工業噪聲強度的最大值；
[0031]
對所述獲取油浸式變壓器w的當前故障聲音信號的時間tw和所述油浸式變壓器w所在位置的工業噪聲強度qw進行歸一化處理，得到獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值tv和油浸式變壓器w所在位置的工業噪聲強度的歸一化值qv；
[0032]
設置獲取油浸式變壓器w當前故障聲音信號的時間的影響係數，記為α；
[0033]
設置油浸式變壓器w所在位置的工業噪聲強度的影響係數，記為β；
[0034]
構建環境影響函數：
[0035]
pv＝α*tv+β*qv[0036]
其中，pv表示油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率；α表示獲取油浸式變壓器w當前故障聲音信號的時間的影響係數；tv表示獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值；β表示油浸式變壓器w所在位置的工業噪聲強度的影響係數；qv表示油浸式變壓器w所在位置的工業噪聲強度的歸一化值。
[0037]
在上述技術方案中，油浸式變壓器應用場所不同，會導致油浸式變壓器的運行環境也不同，在本技術中，考慮到不同的運行環境會對獲取的油浸式變壓器的故障聲音信號產生不同的影響，例如在工作日的白天獲取的油浸式變壓器的故障聲音信號受到運行環境的影響會大於在工作日的夜間；在工業噪聲強度大的廠房內獲取的油浸式變壓器的故障聲音信號受到運行環境的影響會大於在工業噪聲強度小的空曠室外，因此，運行環境對獲取的油浸式變壓器的故障聲音信號產生的影響越大，意味著系統對與故障點為的判斷誤差越大，故構建影響函數模型對運行環境進行預處理，可以用於優化系統的精度。
[0038]
進一步的，在步驟s4-s6中，
[0039]
設置油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率閾值，記為p0；
[0040]
當油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率未超出閾值時，對油浸式變壓器w的當前故障聲音信號進行頻譜分析，得到當前故障聲音頻譜特徵集；
[0041]
將油浸式變壓器w的當前故障聲音信號作為當前測試樣本，記為xu(n)，將當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集
[0042]
計算當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離：
[0043][0044]
其中，l2(xi(n)，xu(n))表示當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離；表示訓練樣本xi(n)的第l個樣本特徵；表示當前測試樣本xu(n)的第l個樣本特徵；
[0045]
設置當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離閾值，記為
[0046]
當時，判斷出與當前測試樣本xu(n)最相似的訓練樣本xi(n)；
[0047]
獲取訓練樣本xi(n)的樣本輸出結果yi；將所述樣本輸出結果yi作為當前測試樣本的樣本輸出結果yu，即得到當前故障聲音信號下的當前運行故障點位；
[0048]
當油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位。
[0049]
在上述技術方案中，機器學習分類模型具體指的是knn學習算法，即k近鄰學習算法，其工作原理是輸入一個類別未知的新樣本(測試樣本)，將新樣本的每個特徵與訓練樣本集中樣本對應的特徵進行比較，計算測試樣本與訓練樣本集中每個樣本的歐氏距離；對所求得的歐氏距離進行從小到大的排序，越小表示越相似；k近鄰學習算法的優點是模型簡單易懂，精度較高，對異常值不敏感，無需訓練，無需估計參數。在本技術中，將油浸式變壓器w的歷史故障聲音信號作為機器學習分類模型的訓練樣本，將油浸式變壓器e的當前故障聲音信號作為當前測試樣本，計算兩者之間的歐式距離，以此得到與當前測試樣本最相似的訓練樣本，又因為不同的訓練樣本對應不同的樣本輸出結果，進而能夠得到當前故障聲音信號下的當前運行故障點位。
[0050]
基於工業網際網路的電力設備安全運行管理系統，所述系統包括數據採集模塊、數據處理模塊、影響函數構建分析模塊、分類模型構建分析模塊、相似度判斷分析模塊、反饋提醒模塊；
[0051]
所述數據採集模塊用於利用工業網際網路大數據獲取電力設備的歷史數據、獲取油浸式變壓器的當前故障聲音信號和當前運行環境，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位；數據處理模塊用於對油浸式變壓器的歷史故障聲音信號和當前故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集和當前故障聲音頻譜特徵集；所述影響函數構建分析模塊用於構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率，設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，並判斷油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率是否超出閾值；所述分類模型構建分析模塊用於構建機器學習分類模型，將油浸式變壓器的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離，以及將所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；所述相似度判斷分析模塊用於設置當前測試樣本與訓練樣本的歐氏距離閾值，在當前測試樣本與訓練樣本的歐氏距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所
述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；所述反饋提醒模塊用於當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位；
[0052]
所述數據採集模塊的輸出端與所述數據處理模塊的輸入端相連接；所述數據處理模塊的輸出端與所述影響函數構建分析模塊的輸入端相連接；所述影響函數構建分析模塊的輸出端與所述分類模型構建分析模塊的輸入端相連接；所述分類模型構建分析模塊的輸出端與所述相似度判斷分析模塊的輸入端相連接；所述相似度判斷分析模塊的輸出端與反饋提醒模塊的輸入端相連接。
[0053]
進一步的，所述數據採集模塊包括歷史數據採集單元和當前數據採集單元；
[0054]
所述歷史數據採集單元用於利用工業網際網路大數據獲取電力設備的歷史數據，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位；
[0055]
所述當前數據採集單元用於獲取油浸式變壓器的當前故障聲音信號和當前運行環境；
[0056]
所述當前運行環境包括獲取油浸式變壓器當前故障聲音信號的時間tw和油浸式變壓器所在位置的工業噪聲強度qw；
[0057]
所述歷史數據採集單元的輸出端與所述當前數據採集單元的輸入端相連接；所述當前數據採集單元的輸出端與所述數據處理模塊的輸入端相連接；
[0058]
所述數據處理模塊包括頻譜分析單元和頻譜特徵獲取單元；
[0059]
所述頻譜分析單元用於對油浸式變壓器的歷史故障聲音信號和當前故障聲音信號進行頻譜分析；
[0060]
所述頻譜特徵獲取單元用於獲取歷史故障聲音頻譜特徵集和當前故障聲音頻譜特徵集；
[0061]
所述頻譜分析單元的輸出端與所述頻譜特徵獲取單元的輸入端相連接；所述頻譜特徵獲取單元的輸出端與所述影響函數構建分析模塊的輸入端相連接。
[0062]
進一步的，所述影響函數構建分析模塊包括影響函數構建單元和分析判斷單元；
[0063]
所述影響函數構建單元用於構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率；
[0064]
所述分析判斷單元用於設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，並判斷油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率是否超出閾值；
[0065]
所述影響函數構建單元的輸出端與所述分析判斷單元的輸入端相連接；所述分析判斷單元的輸出端與所述分類模型構建分析模塊的輸入端相連接。
[0066]
進一步的，所述分類模型構建分析模塊包括機器學習分類模型構建單元和機器學習分類模型分析單元；
[0067]
所述機器學習分類模型構建單元用於構建機器學習分類模型將油浸式變壓器的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離；
[0068]
所述機器學習分類模型分析單元用於將所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；
[0069]
所述機器學習分類模型構建單元的輸出端與所述機器學習分類模型分析單元的輸入端相連接；所述機器學習分類模型分析單元的輸出端與所述相似度判斷分析模塊的輸入端相連接；
[0070]
進一步的，所述相似度判斷分析模塊包括閾值設定單元和判斷輸出單元；
[0071]
所述閾值設定單元用於設置當前測試樣本與訓練樣本之間的歐式距離閾值；
[0072]
所述判斷輸出單元用於在當前測試樣本與訓練樣本之間的歐式距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；
[0073]
所述閾值設定單元的輸出端與所述判斷輸出單元的輸入端相連接；所述判斷輸出單元的輸出端與所述反饋提醒模塊的輸入端相連接。
[0074]
與現有技術相比，本發明所達到的有益效果是：本發明能夠對油浸式變壓器的歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集，並利用機器學習分類模型計算當前測試樣本與訓練樣本之間的歐式距離，以快速確定與當前測試樣本即當前故障聲音信號最相似的歷史故障聲音信號，從而確定歷史運行故障點位；本發明能夠對油浸式變壓器的運行環境進行預處理，快速判斷運行環境對當前故障信號的影響概率，提高系統分析得出當前故障點位的精度，進一步簡化運維人員需要對各個可能出現問題的故障點位進行逐-排查的繁瑣步驟，節約運維人員維修電力設備的時間，提高運維人員檢修的效率，降低因停電對居民生活造成的影響。
附圖說明
[0075]
附圖用來提供對本發明的進一步理解，並且構成說明書的一部分，與本發明的實施例-起用於解釋本發明，並不構成對本發明的限制。在附圖中：
[0076]
圖1是本發明基於工業網際網路的電力設備安全運行管理系統的結構示意圖。
具體實施方式
[0077]
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
[0078]
請參閱圖1，本發明提供技術方案：
[0079]
基於工業網際網路的電力設備安全運行管理方法，所述方法包括以下步驟：
[0080]
步驟s1：利用工業網際網路大數據獲取電力設備的歷史數據，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位，對所述歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集；
[0081]
步驟s2：構建機器學習分類模型，將油浸式變壓器的歷史故障聲音信號集和歷史
運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離；
[0082]
步驟s3：獲取油浸式變壓器的當前故障聲音信號和當前運行環境，構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率；
[0083]
步驟s4：設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率未超出閾值時，對油浸式變壓器的當前故障聲音信號進行頻譜分析，得到當前故障聲音頻譜特徵集，將所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；
[0084]
步驟s5：設置當前測試樣本與訓練樣本的歐氏距離閾值，在當前測試樣本與訓練樣本的歐氏距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；
[0085]
步驟s6：當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位。
[0086]
進一步的，在步驟s1中，
[0087]
獲取油浸式變壓器w的歷史故障聲音信號集a＝{x1(n)，x2(n)，...，xm(n)}；其中，x1(n)，x2(n)，...，xm(n)分別表示油浸式變壓器e的第1、2、......、m個歷史故障聲音信號；對應的油浸式變壓器w的歷史運行故障點位集c＝{y1，y2，...，ym}；其中，y1，y2，...，ym分別表示油浸式變壓器w的第1、2、......、m個歷史運行故障點位；對所述歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集其中，分別表示第i個歷史故障聲音信號具有的第1、2、......、a種故障聲音頻譜特徵值；
[0088]
對所述歷史故障聲音信號進行頻譜分析包括：
[0089]
利用離散傅立葉變換對所述歷史故障聲音信號進行頻譜分析；
[0090]
根據公式：
[0091][0092]
其中，k＝0，1，2，...，n-1；x(k)表示第i個歷史故障聲音信號經過離散傅立葉變換後的頻譜；xi(n)表示第i個歷史故障聲音信號。
[0093]
進一步的，在步驟s2中，所述構建機器學習分類模型包括：
[0094]
將所述油浸式變壓器w的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集d＝{(x1(n)，y1)，(x2(n)，y2)，......，(xm(n)，ym)}；其中，x1(n)，x2(n)，...，xm(n)分別表示機器學習分類模型的第1、2、......、m個訓練樣本；y1，y2，...，ym分別表示第1、2、......、m個樣本輸出結果；
[0095]
所述任一訓練樣本xi(n)包括樣本特徵集
[0096]
根據公式，計算任意兩個訓練樣本之間的歐式距離為：
[0097][0098]
其中，l2(xi(n)，xr(n))表示訓練樣本xi(n)與訓練樣本xr(n)之間的歐式距離；l表示訓練樣本xi(n)與訓練樣本xr(n)的樣本特徵的序號。
[0099]
進一步的，在步驟s3中，獲取油浸式變壓器w的當前故障聲音信號和當前運行環境；
[0100]
所述油浸式變壓器w的當前運行環境包括獲取油浸式變壓器e當前故障聲音信號的時間tw和油浸式變壓器w所在位置的工業噪聲強度qw；
[0101]
所述獲取油浸式變壓器w當前故障聲音信號的時間tw∈[0，24]；
[0102]
所述油浸式變壓器w所在位置的工業噪聲強度qw∈[q
min
，q
max
]；其中，q
min
表示油浸式變壓器w所在位置的工業噪聲強度的最小值；q
max
表示油浸式變壓器w所在位置的工業噪聲強度的最大值；
[0103]
對所述獲取油浸式變壓器w的當前故障聲音信號的時間tw和所述油浸式變壓器w所在位置的工業噪聲強度qw進行歸一化處理，得到獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值tv和油浸式變壓器e所在位置的工業噪聲強度的歸一化值qv；
[0104]
設置獲取油浸式變壓器w當前故障聲音信號的時間的影響係數，記為α；
[0105]
設置油浸式變壓器w所在位置的工業噪聲強度的影響係數，記為β；
[0106]
構建環境影響函數：
[0107]
pv＝α*tv+β*qv[0108]
其中，pv表示油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率；α表示獲取油浸式變壓器w當前故障聲音信號的時間的影響係數；tv表示獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值；β表示油浸式變壓器w所在位置的工業噪聲強度的影響係數；qv表示油浸式變壓器w所在位置的工業噪聲強度的歸一化值。
[0109]
進一步的，在步驟s4-s6中，
[0110]
設置油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率閾值，記為p0；
[0111]
當油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率未超出閾值時，對油浸式變壓器w的當前故障聲音信號進行頻譜分析，得到當前故障聲音頻譜特徵集；
[0112]
將油浸式變壓器w的當前故障聲音信號作為當前測試樣本，記為xu(n)，將當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集
[0113]
計算當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離：
[0114][0115]
其中，l2(xi(n)，xu(n))表示當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離；表示訓練樣本xi(n)的第l個樣本特徵；表示當前測試樣本xu(n)的第l個樣本特徵；
[0116]
設置當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離閾值，記為
[0117]
當時，判斷出與當前測試樣本xu(n)最相似的訓練樣本xi(n)；
[0118]
獲取訓練樣本xi(n)的樣本輸出結果yi；將所述樣本輸出結果yi作為當前測試樣本的樣本輸出結果yu，即得到當前故障聲音信號下的當前運行故障點位；
[0119]
當油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位。
[0120]
基於工業網際網路的電力設備安全運行管理系統，所述系統包括數據採集模塊、數據處理模塊、影響函數構建分析模塊、分類模型構建分析模塊、相似度判斷分析模塊、反饋提醒模塊；
[0121]
所述數據採集模塊用於利用工業網際網路大數據獲取電力設備的歷史數據、獲取油浸式變壓器的當前故障聲音信號和當前運行環境，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位；數據處理模塊用於對油浸式變壓器的歷史故障聲音信號和當前故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集和當前故障聲音頻譜特徵集；所述影響函數構建分析模塊用於構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率，設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，並判斷油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率是否超出閾值；所述分類模型構建分析模塊用於構建機器學習分類模型，將油浸式變壓器的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離，以及將所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；所述相似度判斷分析模塊用於設置當前測試樣本與訓練樣本的歐氏距離閾值，在當前測試樣本與訓練樣本的歐氏距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；所述反饋提醒模塊用於當油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率超出閾值時，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位；
[0122]
所述數據採集模塊的輸出端與所述數據處理模塊的輸入端相連接；所述數據處理模塊的輸出端與所述影響函數構建分析模塊的輸入端相連接；所述影響函數構建分析模塊的輸出端與所述分類模型構建分析模塊的輸入端相連接；所述分類模型構建分析模塊的輸出端與所述相似度判斷分析模塊的輸入端相連接；所述相似度判斷分析模塊的輸出端與反饋提醒模塊的輸入端相連接。
[0123]
進一步的，所述數據採集模塊包括歷史數據採集單元和當前數據採集單元；
[0124]
所述歷史數據採集單元用於利用工業網際網路大數據獲取電力設備的歷史數據，所述電力設備包括油浸式變壓器，所述歷史數據包括油浸式變壓器的歷史故障聲音信號和歷史運行故障點位；
[0125]
所述當前數據採集單元用於獲取油浸式變壓器的當前故障聲音信號和當前運行環境；
[0126]
所述當前運行環境包括獲取油浸式變壓器當前故障聲音信號的時間tw和油浸式變壓器所在位置的工業噪聲強度qw；
[0127]
所述歷史數據採集單元的輸出端與所述當前數據採集單元的輸入端相連接；所述當前數據採集單元的輸出端與所述數據處理模塊的輸入端相連接；
[0128]
所述數據處理模塊包括頻譜分析單元和頻譜特徵獲取單元；
[0129]
所述頻譜分析單元用於對油浸式變壓器的歷史故障聲音信號和當前故障聲音信號進行頻譜分析；
[0130]
所述頻譜特徵獲取單元用於獲取歷史故障聲音頻譜特徵集和當前故障聲音頻譜特徵集；
[0131]
所述頻譜分析單元的輸出端與所述頻譜特徵獲取單元的輸入端相連接；所述頻譜特徵獲取單元的輸出端與所述影響函數構建分析模塊的輸入端相連接。
[0132]
進一步的，所述影響函數構建分析模塊包括影響函數構建單元和分析判斷單元；
[0133]
所述影響函數構建單元用於構建環境影響函數，基於油浸式變壓器的當前運行環境計算油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率；
[0134]
所述分析判斷單元用於設置油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率閾值，並判斷油浸式變壓器的當前運行環境對當前故障聲音信號產生影響的概率是否超出閾值；
[0135]
所述影響函數構建單元的輸出端與所述分析判斷單元的輸入端相連接；所述分析判斷單元的輸出端與所述分類模型構建分析模塊的輸入端相連接。
[0136]
進一步的，所述分類模型構建分析模塊包括機器學習分類模型構建單元和機器學習分類模型分析單元；
[0137]
所述機器學習分類模型構建單元用於構建機器學習分類模型將油浸式變壓器的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集，計算任意兩個訓練樣本之間的歐式距離；
[0138]
所述機器學習分類模型分析單元用於將所述油浸式變壓器的當前故障聲音信號作為當前測試樣本，將所述當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集代入機器學習分類模型，計算當前測試樣本與訓練樣本之間的歐式距離；
[0139]
所述機器學習分類模型構建單元的輸出端與所述機器學習分類模型分析單元的輸入端相連接；所述機器學習分類模型分析單元的輸出端與所述相似度判斷分析模塊的輸入端相連接；
[0140]
進一步的，所述相似度判斷分析模塊包括閾值設定單元和判斷輸出單元；
[0141]
所述閾值設定單元用於設置當前測試樣本與訓練樣本之間的歐式距離閾值；
[0142]
所述判斷輸出單元用於在當前測試樣本與訓練樣本之間的歐式距離未超出閾值時，判斷出與當前測試樣本最相似的訓練樣本，並獲取訓練樣本的樣本輸出結果，將所述樣本輸出結果作為當前測試樣本的樣本輸出結果，即得到當前故障聲音信號下的當前運行故障點位，將所述當前運行故障點位反饋給運維人員；
[0143]
所述閾值設定單元的輸出端與所述判斷輸出單元的輸入端相連接；所述判斷輸出單元的輸出端與所述反饋提醒模塊的輸入端相連接。
[0144]
實施例1：
[0145]
油浸式變壓器在正常運行時，應是均勻的「嗡嗡」聲，這是由於交流電通過變壓器的繞組時，交變磁通的變化引起鐵芯的振動而發出的響聲，但變壓器如果發出以下異音，就是有故障：(1)出現強烈而不均勻的噪聲且振幅加大，這是由於鐵芯的穿芯螺絲固定不牢，使鐵芯鬆弛，造成矽鋼片間產生振動；(2)變壓器內部有「吱吱」的放電聲，是由於繞組或引出線對外殼閃絡放電，或是鐵芯接地線斷線，造成鐵芯對外殼(地)感應而產生的高電壓發生放電引起；(3)變壓器內部有「叮噹」聲，是變壓器上的個別零件固定不牢產生響聲；(4)變壓器內部有一陣陣的「營營」聲，是在輕負荷或空負荷的情況下，某些離開疊層的矽鋼片端部發生振動造成；(5)變壓器內部有擊穿的地方，會發出「吱吱」或「哼哼」聲，中試控股這聲音忽而變粗，忽而變細；
[0146]
獲取油浸式變壓器w的歷史故障聲音信號集a＝{x1(n)，x2(n)，...，x5(n)}；其中，x1(n)，x2(n)，...，x5(n)分別表示油浸式變壓器w的第1、2、......、5個歷史故障聲音信號；對應的油浸式變壓器w的歷史運行故障點位集c＝{y1，y2，...，y5}；其中，y1，y2，...，y5分別表示油浸式變壓器w的第1、2、......、5個歷史運行故障點位；對所述歷史故障聲音信號進行頻譜分析，得到歷史故障聲音頻譜特徵集其中，分別表示第i個歷史故障聲音信號具有的第1、2、......、4種故障聲音頻譜特徵值；
[0147]
故，第1個歷史故障聲音信號x1(n)的歷史故障聲音頻譜特徵集
[0148][0149]
第2個歷史故障聲音信號x2(n)的歷史故障聲音頻譜特徵集
[0150][0151]
第3個歷史故障聲音信號x3(n)的歷史故障聲音頻譜特徵集
[0152][0153]
第4個歷史故障聲音信號x4(n)的歷史故障聲音頻譜特徵集
[0154][0155]
第5個歷史故障聲音信號x5(n)的歷史故障聲音頻譜特徵集
[0156][0157]
將所述油浸式變壓器w的歷史故障聲音信號集和歷史運行故障點位集進行組合，生成訓練樣本數據集d＝{(x1(n)，y1)，(x2(n)，y2)，......，(x5(n)，y5)}；其中，x1(n)，x2(n)，...，x5(n)分別表示機器學習分類模型的第1、2、......、5個訓練樣本；y1，y2，...，y5分別表示第1、2、......、5個樣本輸出結果；所述任一訓練樣本xi(n)包括樣本特徵集
[0158]
獲取油浸式變壓器w的當前故障聲音信號和當前運行環境；
[0159]
所述油浸式變壓器w的當前運行環境包括獲取油浸式變壓器w當前故障聲音信號的時間tw和油浸式變壓器w所在位置的工業噪聲強度qw；
[0160]
所述獲取油浸式變壓器w當前故障聲音信號的時間tw∈[0，24]；
[0161]
所述油浸式變壓器w所在位置的工業噪聲強度qw∈[20，100]；
[0162]
獲取油浸式變壓器w當前故障聲音信號的時間tw＝10；
[0163]
獲取油浸式變壓器w所在位置的工業噪聲強度qw＝70；
[0164]
對所述獲取油浸式變壓器w的當前故障聲音信號的時間tw和所述油浸式變壓器w所在位置的工業噪聲強度qw進行歸一化處理，得到獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值tv＝0.5和油浸式變壓器w所在位置的工業噪聲強度的歸一化值qv＝0.6；
[0165]
設置獲取油浸式變壓器w當前故障聲音信號的時間的影響係數α＝0.3；
[0166]
設置油浸式變壓器w所在位置的工業噪聲強度的影響係數β＝0.7；
[0167]
油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率：
[0168]
pv＝α*tv+β*qv＝0.3*0.5+0.6*0.7＝0.57
[0169]
其中，pv表示油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率；α表示獲取油浸式變壓器w當前故障聲音信號的時間的影響係數；tv表示獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值；β表示油浸式變壓器w所在位置的工業噪聲強度的影響係數；qv表示油浸式變壓器w所在位置的工業噪聲強度的歸一化值。
[0170]
設置油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率閾值p0＝0.6；
[0171]
因為pv＜p0，因此，對油浸式變壓器w的當前故障聲音信號進行頻譜分析，得到當前故障聲音頻譜特徵集；
[0172]
將油浸式變壓器w的當前故障聲音信號作為當前測試樣本，記為xu(n)，將當前故障聲音頻譜特徵集作為當前測試樣本的樣本特徵集
[0173]
計算當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離：
[0174][0175]
可以得到l2(x1(n)，xu(n))＝2.87；l2(x2(n)，xu(n))＝0.7；l2(x3(n)，xu(n))＝5.12；l2(x4(n)，xu(n))＝6.18；l2(x5(n)，xu(n))＝3.04；
[0176]
設置當前測試樣本xu(n)與訓練樣本xi(n)之間的歐式距離閾值
[0177]
因為l2(x2(n)，xu(n))＝0.7＜1，判斷出與當前測試樣本xu(n)最相似的訓練樣本x2(n)；
[0178]
獲取訓練樣本x2(n)的樣本輸出結果y2；將所述樣本輸出結果y2作為當前測試樣本的樣本輸出結果yu，即得到當前故障聲音信號下的當前運行故障點位為y2。
[0179]
實施例2：
[0180]
獲取油浸式變壓器w的當前故障聲音信號和當前運行環境；
[0181]
所述油浸式變壓器w的當前運行環境包括獲取油浸式變壓器w當前故障聲音信號的時間tw和油浸式變壓器w所在位置的工業噪聲強度qw；
[0182]
所述獲取油浸式變壓器w當前故障聲音信號的時間tw∈[0，24]；
[0183]
所述油浸式變壓器w所在位置的工業噪聲強度qw∈[20，100]；
[0184]
獲取油浸式變壓器w當前故障聲音信號的時間tw＝11；
[0185]
獲取油浸式變壓器w所在位置的工業噪聲強度qw＝80；
[0186]
對所述獲取油浸式變壓器w的當前故障聲音信號的時間tw和所述油浸式變壓器w所在位置的工業噪聲強度qw進行歸一化處理，得到獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值tv＝0.6和油浸式變壓器w所在位置的工業噪聲強度的歸一化值qv＝0.7；
[0187]
設置獲取油浸式變壓器w當前故障聲音信號的時間的影響係數α＝0.3；
[0188]
設置油浸式變壓器w所在位置的工業噪聲強度的影響係數β＝0.7；
[0189]
油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率：
[0190]
pv＝α*tv+β*qv＝0.3*0.6+0.7*0.7＝0.67
[0191]
其中，pv表示油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率；α表示獲取油浸式變壓器w當前故障聲音信號的時間的影響係數；tv表示獲取油浸式變壓器w當前故障聲音信號的時間的歸一化值；β表示油浸式變壓器w所在位置的工業噪聲強度的影響係數；qv表示油浸式變壓器w所在位置的工業噪聲強度的歸一化值；
[0192]
設置油浸式變壓器w的當前運行環境對當前故障聲音信號產生影響的概率閾值p0＝0.6；
[0193]
因為pv＞p0，因此，系統向管理人員發出預警提醒，並停止反饋當前故障聲音信號下的當前運行故障點位。
[0194]
需要說明的是，在本文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。
[0195]
最後應說明的是：以上所述僅為本發明的優選實施例而己，並不用於限制本發明，儘管參照前述實施例對本發明進行了詳細的說明，對於本領域的技術人員來說，其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。