[發(fā)明專利]一種用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)及模擬方法

在審

• 申請?zhí)枺?/td>: 202010116380.0
• 申請日: 2020-02-25
• 公開（公告）號: CN111222255A
• 公開（公告）日: 2020-06-02
• 發(fā)明（設計）人: 彭韋;段義隆;曹一家;李勇;陳春
• 申請（專利權）人: 湖南世優(yōu)電力科技股份有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06F17/18;G01R31/00
• 代理公司: 湘潭市匯智專利事務所(普通合伙) 43108
• 代理人: 陳偉

1.一種用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：包括雙電源控制開關、負荷裝置、采集終端、控制器，電網(wǎng)與雙電源控制開關的進線端連接，雙電源控制開關出線端的N相電源線與A、B、C相電源線之間均并接多個負荷裝置，所述采集終端采集各相電源線之間的電壓電流及負荷裝置的各種數(shù)據(jù)并傳送到控制器，控制器連接負荷裝置。

2.根據(jù)權利要求1所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：還包括對地故障發(fā)生裝置，對地故障發(fā)生裝置包括遙控開關Ⅰ、觸電箱、可調(diào)電阻，雙電源控制開關出線端的A、B、C、N相電源線連接觸電箱，A、B、C、N相電源線與觸電箱之間均設有遙控開關Ⅰ和可調(diào)電阻，遙控開關Ⅰ連接控制器。

3.根據(jù)權利要求1所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：所述雙電源控制開關帶有漏電保護器，所述雙電源控制開關內(nèi)部通過開關選擇不同的電源進行供電，電源分為兩種，一種為市電，正常供電電源，即電網(wǎng)直接與雙電源控制開關進線端連接；另一種是電網(wǎng)通過監(jiān)控裝置與雙電源控制開關進線端連接。

4.根據(jù)權利要求1所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：所述負荷裝置包括負載、指示燈、遙控開關Ⅱ，負載、指示燈、遙控開關Ⅱ依次串接后并接在A、B、C相電源線與N相電源線之間，遙控開關Ⅱ連接控制器。

5.根據(jù)權利要求4所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：所述負載包括插座、電機。

6.根據(jù)權利要求1所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：所述N相電源線與A、B、C相電源線之間還設有電弧發(fā)生裝置。

7.根據(jù)權利要求1所述的用于電氣故障辨識的大數(shù)據(jù)模擬系統(tǒng)，其特征在于：所述雙電源控制開關進線端和出線端設有燈泡，通過燈泡的亮/滅來指示當前線路是否供電。

8.一種基于權利要求1-7中任一項所述的大數(shù)據(jù)模擬系統(tǒng)的用于電氣故障辨識的大數(shù)據(jù)模擬方法，包括以下步驟：

1）數(shù)據(jù)采集：通過采集終端采集數(shù)據(jù)；

2）數(shù)據(jù)預處理：將采集數(shù)據(jù)的規(guī)格和格式進行統(tǒng)一化；

3）模型訓練：建立回歸模型和分類模型，并對回歸模型和分類模型進行訓練；

4）模型轉(zhuǎn)化：模型訓練結(jié)束以后，轉(zhuǎn)化成辨識終端指定C語言代碼。

9.根據(jù)權利要求8所述的用于電氣故障辨識的大數(shù)據(jù)模擬方法，其特征在于，所述步驟1）中，采集的數(shù)據(jù)為暫態(tài)數(shù)據(jù)，暫態(tài)數(shù)據(jù)設定的采樣頻率為單個周波256個采樣點。

10.根據(jù)權利要求8所述的用于電氣故障辨識的大數(shù)據(jù)模擬方法，其特征在于，所述步驟3）中，回歸模型的訓練過程包括如下步驟：

3-1-1）采集故障場景和正常場景下1000條相電壓電路數(shù)據(jù)；

3-1-2）每條數(shù)據(jù)對應于正常場景或故障場景，為每條數(shù)據(jù)對應的場景進行編碼，即為每條數(shù)據(jù)創(chuàng)建一個標簽來表明它發(fā)生于哪種場景下，正常場景：0，故障場景：1；

3-1-3）隨機提取60%的相電壓相電路數(shù)據(jù)作為訓練集，其余40%的數(shù)據(jù)作為測試集；

3-1-4）將訓練集的數(shù)據(jù)聯(lián)合對應的標簽，輸入到python中的Logistic回歸算法中，通過算法訓練得到一個回歸模型，回歸模型為一個估計函數(shù)，估計函數(shù)對沒有見過的數(shù)據(jù)給出一個新的估計；通過測試集對訓練后的回歸模型進行測試；

分類模型的訓練過程包括如下步驟：

3-2-1）采集故障場景和正常場景下1000條相電壓電路數(shù)據(jù)；

3-2-2）每條數(shù)據(jù)對應于正常場景或故障場景，為每條數(shù)據(jù)對應的場景進行one-hot編碼，即為每條數(shù)據(jù)創(chuàng)建一個標簽來表明它發(fā)生于哪種場景下，正常場景：[1,0]，故障場景：[0,1]；

3-2-3）隨機提取60%的相電壓相電路數(shù)據(jù)作為訓練集，其余40%的數(shù)據(jù)作為測試集；

3-2-4）將訓練集的數(shù)據(jù)聯(lián)合對應的標簽，輸入python中XGBoost算法中，通過算法訓練得到一個分類模型，通過測試集對訓練后的分類模型進行測試。