5G远程智能测控高压柜及其方法与流程

阅读：评论：0

5g远程智能测控高压柜及其方法
技术领域
1.本技术涉及智能检测领域，且更为具体地，涉及一种5g远程智能测控高压柜及其方法。

背景技术：

2.高压柜是指用于电力系统发电、输电、配电、电能转换和消耗中起通断、控制或保护等作用的电器产品。高压柜是输变电设备的重要组成部分，在整个电力工业中都占有着非常重要的地位。
3.随着5g远程监控技术的发展，电力设备5g远程测控高压柜也有得到了广泛的应用，然而由于5g远程测控高压柜长期处于高强度高负荷的工作当中，导致意外的安全性事故时有发生。当事故发生时，运维人员并不能够及时地发现并作出相应的响应，进而造成严重的后果。因此，对于电力设备的运行状况进行实时动态地检测具有重要的意义。
4.在对于电力设备的运行情况进行监控时，低压电弧故障一直都是引起电力设备故障进而导致事故发生的重要因素之一。高压柜内部的用电线路老化，用电负荷高或超负荷用电的情况，都会导致电弧故障的发生，从而损坏高压柜，甚至引发电气火灾事故。
5.因此，期望一种5g远程智能测控高压柜，其能够对电力设备的运行情况进行实时监测并将设备的运行数据传输至运维后台，以方便运维人员及时做出响应，进而保证电力设备的正常运行。

技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种5g远程智能测控高压柜及其方法，其通过结合非电气量特征和电气量特征来进行电力设备的低压电弧故障检测，以提高故障检测的准确性进而保证电力设备的正常运行。并且，所述5g远程智能测控高压柜能够以5g通信设备来传输监控结果，以确保监控结果能够被快速地接收到，以保证设备监测的实时性。
7.根据本技术的一个方面，提供了一种5g远程智能测控高压柜，其包括：
8.数据监控与采集模块，用于获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；电气数据特征提取模块，用于将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；协整分析模块，用于对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；电气特征校正模块，用于对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；声谱图提取模块，用于提取所述声音信号的对数梅尔谱图；声谱图编码模块，用于将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；特征融合模块，用于融合所述声音特征矩阵和所述校正后电气特
征向量以得到分类特征向量；以及监控结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
9.在上述5g远程智能测控高压柜中，所述电气数据特征提取模块，使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述电流图像特征向量和电压图像特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述电流信号和电压信号。
10.在上述5g远程智能测控高压柜中，所述协整分析模块，进一步用于：以如下公式对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到所述电气特征向量；
11.其中，所述公式为：
[0012][0013]
其中v1表示所述电流图像特征向量，v2表示所述电压图像特征向量，v表示所述电气特征向量,表示按位置点除。
[0014]
在上述5g远程智能测控高压柜中，所述电气特征校正模块，进一步用于：以如下公式对所述电气特征向量进行向量的波函数表征聚合以得到所述校正后电气特征向量；其中，所述公式为：
[0015][0016]
其中v表示所述电气特征向量，v
max-1
表示所述电气特征向量的最大特征值的倒数，
⊙
表示按位置点乘。
[0017]
在上述5g远程智能测控高压柜中，所述声谱图编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述声音特征矩阵。
[0018]
在上述5g远程智能测控高压柜中，所述特征融合模块，进一步用于：以如下公式融合所述声音特征矩阵和所述校正后电气特征向量以得到所述分类特征向量；其中，所述公式为：
[0019][0020]
其中ve表示所述校正后电气特征向量，mv表示所述声音特征矩阵，vc表示所述分类特征向量，表示矩阵相乘。
[0021]
在上述5g远程智能测控高压柜中，所述监控结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0022]
在上述5g远程智能测控高压柜中，所述5g远程智能测控高压柜还包括5g通信设备，用于响应于所述分类结果为被监测电力设备发生低压电弧故障,传递故障预警提示。
[0023]
根据本技术的另一方面，提供了一种5g远程智能测控高压柜的方法，其包括：获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；提取所述声音信号的对数梅尔谱图；将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
[0024]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的5g远程智能测控高压柜的方法。
[0025]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的5g远程智能测控高压柜的方法。
[0026]
与现有技术相比，本技术提供的一种5g远程智能测控高压柜及其方法，其通过结合非电气量特征和电气量特征来进行电力设备的低压电弧故障检测，以提高故障检测的准确性进而保证电力设备的正常运行。并且，所述5g远程智能测控高压柜能够以5g通信设备来传输监控结果，以确保监控结果能够被快速地接收到，以保证设备监测的实时性。
附图说明
[0027]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0028]
图1图示了根据本技术实施例的5g远程智能测控高压柜的应用场景图；
[0029]
图2图示了根据本技术实施例的5g远程智能测控高压柜的框图；
[0030]
图3图示了根据本技术实施例的5g远程智能测控高压柜的系统架构图；
[0031]
图4图示了根据本技术实施例的5g远程智能测控高压柜中第一卷积神经网络特征提取过程的流程图；
[0032]
图5图示了根据本技术实施例的5g远程智能测控高压柜中对数梅尔谱图的提取过程的流程图；
[0033]
图6图示了根据本技术实施例的5g远程智能测控高压柜中第二卷积神经网络编码过程的流程图；
[0034]
图7图示了根据本技术实施例的5g远程智能测控高压柜的方法的流程图；
[0035]
图8图示了根据本技术实施例的电子设备的框图。
具体实施方式
[0036]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0037]
场景概述
[0038]
在使用5g远程智能测控高压柜对于电力设备的运行状态进行实时监测时，考虑到低压电弧故障是引起电力设备故障进而导致事故发生的重要因素之一，因此对于电力设备的低压电弧故障进行检测具有重要的意义。应可以理解，在对于低压电弧故障检测的过程中，通常是通过电流、电压等电气信号来进行故障的诊断检测，但是考虑到电信号会受很多方面的影响，并且电信号在数据处理的过程中较为复杂，例如在使用电流信号作为检测标准时，需要对电流信号进行二进制小波变换分解来得到所需要的电流信号波形，期间需要大量的计算。因此，在本技术的技术方案中，期望通过非电气特征量结合电气参数来进行电力设备的低压电弧故障检测，以提高故障检测的准确性，进而保证电力设备的正常运行。
[0039]
具体地，在本技术的技术方案中，首先，通过各个传感器获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号。然后，对于所述待监测电力设备在预定时间段的电流信号和电压信号，使用在隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来对其进行处理，以分别提取出所述待监测电力设备的电流信号和电压信号在时序上的高维隐含特征，以得到电流图像特征向量和电压图像特征向量。
[0040]
进一步地，就可以融合所述电气参数中的所述电流特征和所述电压特征信息来得到电气隐含特征。应可以理解，考虑到由于所述电流信号和所述电压信号都为非平稳的，但是它们的组合却呈现了稳定性，也就是，利用电功率为电流除以电压，因此使用电功率来对于所述电流信号和电压信号进行协整分析，能够使得所述电流信号和所述电压信号之间存在一种长期稳定的均衡关系。具体地，对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量。
[0041]
特别地，在本技术的技术方案中，本技术的申请人考虑到在计算所述电压图像特征向量与所述电流图像特征向量的按位置点除以得到所述电气特征向量时，由于所述电压图像特征向量与所述电流图像特征向量的特征分布可能存在的不对齐，使得在进行按位置点除时，所述电气特征向量的各个位置的特征值可能存在相位差，这会导致所述电气特征向量相对于分类器的分类，在类概率聚合上存在负面影响。
[0042]
因此，在本技术的技术方案中，优选地对所述电气特征向量进行向量的波函数表征聚合，具体为：
[0043][0044]
其中v
max-1
是所述电气特征向量v的最大特征值的倒数。
[0045]
这里，通过引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，以
提升所述电气特征向量的分类表达能力，进而提高后续分类的准确性。
[0046]
进一步地，考虑到在所述电力设备正常工作时，即并没有发生低压电弧故障时，则不会有低压电弧的声音，因此对于非电气特征量，可以利用声音信号来辅助进行所述电力设备的低压电弧故障检测。具体地，由于对数梅尔谱图是使用最为广泛的特征，它在设计过程中仿照了人耳的特性，该特性对不同频率的声音具有不同的声学敏感性。并且，所述对数梅尔谱图的提取流程类似mfcc，但减少了最后一步的线性变换即离散余弦变换，去掉这一步后，能够保留更多的声音信号高阶信息以及非线性信息。因此，在本技术的技术方案中，首先从所述声音信号中提取对数梅尔谱图。
[0047]
然后，考虑到在对于所述电力设备的低压电弧故障进行检测时，由于所述低压电弧故障的声音在不同的空间中具有不同的位置信息，并且声音信号还易受外界的干扰，进而导致判断的精准度降低。因此，为了进一步提高对于声音特征提取的准确性，需要对于所述声音信号进行空间位置上的聚焦，也就是，使用具有空间注意力机制的第二卷积神经网络模型来对于所述对数梅尔谱图进行特征挖掘，以提取出所述声音信号中突出所述电力设备的低压电弧故障的高维隐含特征，从而得到声音特征矩阵。
[0048]
这样，再将得到的所述声音特征矩阵和所述校正后电气特征向量进行特征融合以得到分类特征向量。相应地，在本技术的一个具体示例中，可以利用矩阵相乘的方式来进行特征融合。然后，再将所述分类特征向量通过分类器以得到用于表示被监测电力设备是否发生低压电弧故障的分类结果。这样，就能够对于所述被监测电力设备的低压电弧故障进行准确地检测，进而保证电力设备的正常运行。
[0049]
基于此，本技术提出了一种5g远程智能测控高压柜，其包括：数据监控与采集模块，用于获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；电气数据特征提取模块，用于将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；协整分析模块，用于对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；电气特征校正模块，用于对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；声谱图提取模块，用于提取所述声音信号的对数梅尔谱图；声谱图编码模块，用于将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；特征融合模块，用于融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及，监控结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
[0050]
图1图示了根据本技术实施例的5g远程智能测控高压柜的应用场景图。如图1所示，在该应用场景中，通过部署于待监测电力设备里的电流表(例如，如图1中所示意的a1)和电压表(例如，如图1中所示意的v1)获取待监测电力设备(例如，如图1中所示意的d)在预定时间段的电流信号和电压信号，以及，通过声音传感器(例如，如图1中所示意的s1)采集所述待监测电力设备在所述预定时间段的声音信号。然后，将上述信号输入至部署有5g远程智能测控算法的服务器(例如，图1中的s2)中，其中，所述服务器能够以所述5g远程智能测控算法对上述信号进行处理以生成用于表示被监测电力设备是否发生低压电弧故障的
结果。进一步所述5g远程智能测控高压柜能够以5g通信设备(例如，如图1中所示意的c)来传输监控结果，以确保监控结果能够被快速地接收到，以保证设备监测的实时性。
[0051]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0052]
示例性系统
[0053]
图2图示了根据本技术实施例的5g远程智能测控高压柜的框图。如图2所示，根据本技术实施例的居家养老智慧管理平台300，包括：数据监控与采集模块310；电气数据特征提取模块320；协整分析模块330；电气特征校正模块340；声谱图提取模块350；声谱图编码模块360；特征融合模块370；以及，监控结果生成模块380。
[0054]
其中，所述数据监控与采集模块310，用于获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；所述电气数据特征提取模块320，用于将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；所述协整分析模块330，用于对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；所述电气特征校正模块340，用于对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；所述声谱图提取模块350，用于提取所述声音信号的对数梅尔谱图；所述声谱图编码模块360，用于将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；所述特征融合模块370，用于融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及，所述监控结果生成模块380，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
[0055]
图3图示了根据本技术实施例的5g远程智能测控高压柜300的系统架构图。如图3所示，首先通过所述数据监控与采集模块310获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；然后，所述电气数据特征提取模块320将所述数据监控与采集模块310获取的所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；所述协整分析模块330对所述电气数据特征提取模块320生成的所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；接着，所述电气特征校正模块340对所述协整分析模块330得到的所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；所述声谱图提取模块350提取所述声音信号的对数梅尔谱图；所述声谱图编码模块360将所述声谱图提取模块350提取的所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；所述特征融合模块370融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；进而，所述监控结果生成模块380将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
[0056]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述数据监控与采集模块310，用于获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感
器采集的所述待监测电力设备在所述预定时间段的声音信号。应可以理解诶，在使用5g远程智能测控高压柜对于电力设备的运行状态进行实时监测时，考虑到低压电弧故障是引起电力设备故障进而导致事故发生的重要因素之一，因此对于电力设备的低压电弧故障进行检测具有重要的意义。而在对于低压电弧故障检测的过程中，通常是通过电流、电压等电气信号来进行故障的诊断检测，但是考虑到电信号会受很多方面的影响，并且电信号在数据处理的过程中较为复杂，因此在申请的技术方案中，期望通过非电气特征量，即声音来结合电气参数来进行电力设备的低压电弧故障检测，以提高故障检测的准确性，进而保证电力设备的正常运行。更具体地，可通过部署于待监测电力设备里的电流表和电压表获取待监测电力设备在预定时间段的电流信号和电压信号，以及，通过声音传感器采集所述待监测电力设备在所述预定时间段的声音信号。
[0057]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述电气数据特征提取模块320，用于将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量。在本技术的技术方案中，对于所述待监测电力设备在预定时间段的电流信号和电压信号，使用在隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来对其进行处理，以分别提取出所述待监测电力设备的电流信号和电压信号在时序上的高维隐含特征，以得到电流图像特征向量和电压图像特征向量。
[0058]
图4图示了根据本技术实施例的5g远程智能测控高压柜中第一卷积神经网络特征提取过程的流程图。如图4所示，所述第一卷积神经网络特征提取过程，包括：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述电流图像特征向量和电压图像特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述电流信号和电压信号。
[0059]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述协整分析模块330，用于对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量。也就是，融合所述电气参数中的所述电流特征和所述电压特征信息来得到电气隐含特征。应可以理解，考虑到由于所述电流信号和所述电压信号都为非平稳的，但是它们的组合却呈现了稳定性，也就是，利用电功率为电流除以电压，因此使用电功率来对于所述电流信号和电压信号进行协整分析，能够使得所述电流信号和所述电压信号之间存在一种长期稳定的均衡关系。具体地，对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量。
[0060]
在本技术的一个具体示例中，所述协整分析模块，进一步用于：以如下公式对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到所述电气特征向量；
[0061]
其中，所述公式为：
[0062][0063]
其中v1表示所述电流图像特征向量，v2表示所述电压图像特征向量，v表示所述电气特征向量,表示按位置点除。
[0064]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述电气特征校正模块
340，用于对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性。特别地，在本技术的技术方案中，本技术的申请人考虑到在计算所述电压图像特征向量与所述电流图像特征向量的按位置点除以得到所述电气特征向量时，由于所述电压图像特征向量与所述电流图像特征向量的特征分布可能存在的不对齐，使得在进行按位置点除时，所述电气特征向量的各个位置的特征值可能存在相位差，这会导致所述电气特征向量相对于分类器的分类，在类概率聚合上存在负面影响。
[0065]
因此，在本技术的技术方案中，优选地对所述电气特征向量进行向量的波函数表征聚合，具体为：
[0066][0067]
其中v表示所述电气特征向量，v
max-1
表示所述电气特征向量的最大特征值的倒数，
⊙
表示按位置点乘。这里，通过引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，以提升所述电气特征向量的分类表达能力，进而提高后续分类的准确性。
[0068]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述声谱图提取模块350，用于提取所述声音信号的对数梅尔谱图。考虑到在所述电力设备正常工作时，即并没有发生低压电弧故障时，则不会有低压电弧的声音，因此对于非电气特征量，可以利用声音信号来辅助进行所述电力设备的低压电弧故障检测。具体地，由于对数梅尔谱图是使用最为广泛的特征，它在设计过程中仿照了人耳的特性，该特性对不同频率的声音具有不同的声学敏感性。并且，所述对数梅尔谱图的提取流程类似mfcc，但减少了最后一步的线性变换即离散余弦变换，去掉这一步后，能够保留更多的声音信号高阶信息以及非线性信息。因此，在本技术的技术方案中，首先从所述声音信号中提取对数梅尔谱图。
[0069]
图5图示了根据本技术实施例的5g远程智能测控高压柜中对数梅尔谱图的提取过程的流程图。如图5所示，所述对数梅尔谱图的提取过程，包括：s351，通过预加重处理把声音信号通过一个高通滤波器，从而补偿人声产生期间被抑制的高频信号部分，提升高频分量，同时衰减低频部分，使频率更平缓；s352，通过分帧将信号分成多个较短的帧，所述帧仍包含信号分析过程的原始特征；s353，通过加窗减少信号中频谱的变形；s354，通过短时傅里叶变换，用stft操作从加窗后的声音帧中提取频谱信息；s355，通过取模平方将stft的公式的计算结果以复数呈现，根据stft的复数计算结果，得到能量谱；s356，通过梅尔滤波器组模仿人耳的感知，其中，所述梅尔滤波器组中每个滤波器均具有三角滤波特性；s357，通过梅尔滤波器组后计算对数能量即可得到对数梅尔谱图。
[0070]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述声谱图编码模块360，用于将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵。考虑到在对于所述电力设备的低压电弧故障进行检测时，由于所述低压电弧故障的声音在不同的空间中具有不同的位置信息，并且声音信号还易受外界的干扰，进而导致判断的精准度降低。因此，为了进一步提高对于声音特征提取的准确性，需要对于所述声音信号进行空间位置上的聚焦，也就是，使用具有空间注意力机制的第二卷积神经网络模型来对于所述对数梅尔谱图进行特征挖掘，以提取出所述声音信号中突出所述电力设
备的低压电弧故障的高维隐含特征，从而得到声音特征矩阵。
[0071]
图6图示了根据本技术实施例的5g远程智能测控高压柜中第二卷积神经网络编码过程的流程图。如图6所示，所述第二卷积神经网络编码过程，包括：s410，对输入数据进行卷积处理以生成卷积特征图；s420，对所述卷积特征图进行池化处理以生成池化特征图；s430，对所述池化特征图进行非线性激活以生成激活特征图；s440，计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；s450，计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，s460，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述声音特征矩阵。
[0072]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述特征融合模块370，用于融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量。这样，再将得到的所述声音特征矩阵和所述校正后电气特征向量进行特征融合以得到分类特征向量。相应地，在本技术的一个具体示例中，可以利用矩阵相乘的方式来进行特征融合。
[0073]
在本技术的一个具体示例中，所述特征融合模块，进一步用于：以如下公式融合所述声音特征矩阵和所述校正后电气特征向量以得到所述分类特征向量；其中，所述公式为：
[0074][0075]
其中ve表示所述校正后电气特征向量，mv表示所述声音特征矩阵，vc表示所述分类特征向量，表示矩阵相乘。
[0076]
具体地，在所述5g远程智能测控高压柜300的运行过程中，所述监控结果生成模块380，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。这样，就能够对于所述被监测电力设备的低压电弧故障进行准确地检测，进而保证电力设备的正常运行。特别地，所述5g远程智能测控高压柜还包括5g通信设备，用于响应于所述分类结果为被监测电力设备发生低压电弧故障,传递故障预警提示。
[0077]
在本技术的一个具体示例中，所述监控结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
[0078]
softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0079]
综上，根据本技术实施例的5g远程智能测控高压柜300被阐明，其通过结合非电气量特征和电气量特征来进行电力设备的低压电弧故障检测，以提高故障检测的准确性进而保证电力设备的正常运行。并且，所述5g远程智能测控高压柜能够以5g通信设备来传输监控结果，以确保监控结果能够被快速地接收到，以保证设备监测的实时性。
[0080]
示例性方法
[0081]
图7图示了根据本技术实施例的5g远程智能测控高压柜的方法的流程图。如图7所示，根据本技术实施例的5g远程智能测控高压柜的方法，包括步骤：s110，获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；s120，将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；s130，对所述电流图像特征向量和所述电压图像特征向量进行协整分析
以得到电气特征向量；s140，对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；s150，提取所述声音信号的对数梅尔谱图；s160，将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；s170，融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及，s180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。
[0082]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s120，包括：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述电流图像特征向量和电压图像特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述电流信号和电压信号。
[0083]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s130，进一步用于：以如下公式对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到所述电气特征向量；
[0084]
其中，所述公式为：
[0085][0086]
其中v1表示所述电流图像特征向量，v2表示所述电压图像特征向量，v表示所述电气特征向量,表示按位置点除。
[0087]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s140，进一步用于：以如下公式对所述电气特征向量进行向量的波函数表征聚合以得到所述校正后电气特征向量；
[0088]
其中，所述公式为：
[0089][0090]
其中v表示所述电气特征向量，v
max-1
表示所述电气特征向量的最大特征值的倒数，
⊙
表示按位置点乘。
[0091]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s160，包括：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述声音特征矩阵。
[0092]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s170，进一步用于：以如下公式融合所述声音特征矩阵和所述校正后电气特征向量以得到所述分类特征向量；
[0093]
其中，所述公式为：
[0094][0095]
其中ve表示所述校正后电气特征向量，mv表示所述声音特征矩阵，vc表示所述分类特征向量，表示矩阵相乘。
[0096]
在一个示例中，在上述5g远程智能测控高压柜的方法中，所述步骤s180，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
[0097]
softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0098]
综上，根据本技术实施例的5g远程智能测控高压柜的方法被阐明，其通过非电气特征量结合电气参数来进行电力设备的低压电弧故障检测，以提高故障检测的准确性，进而保证电力设备的正常运行。
[0099]
示例性电子设备
[0100]
下面，参考图8来描述根据本技术实施例的电子设备。
[0101]
图8图示了根据本技术实施例的电子设备的框图。
[0102]
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
[0103]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0104]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的5g远程智能测控高压柜中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电气特征向量等各种内容。
[0105]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0106]
该输入装置13可以包括例如键盘、鼠标等等。
[0107]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0108]
当然，为了简化，图8中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0109]
示例性计算机程序产品和计算机可读存储介质
[0110]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的5g远程智能测控高压柜的方法中的功能中的步骤。
[0111]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如
java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0112]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的5g远程智能测控高压柜的方法中的功能中的步骤。
[0113]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0114]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0115]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0116]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0117]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0118]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：

1.一种5g远程智能测控高压柜，其特征在于，包括：数据监控与采集模块，用于获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；电气数据特征提取模块，用于将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；协整分析模块，用于对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；电气特征校正模块，用于对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；声谱图提取模块，用于提取所述声音信号的对数梅尔谱图；声谱图编码模块，用于将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；特征融合模块，用于融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及监控结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。2.根据权利要求1所述的5g远程智能测控高压柜，其特征在于，所述电气数据特征提取模块，使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述电流图像特征向量和电压图像特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述电流信号和电压信号。3.根据权利要求2所述的5g远程智能测控高压柜，其特征在于，所述协整分析模块，进一步用于：以如下公式对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到所述电气特征向量；其中，所述公式为：其中v1表示所述电流图像特征向量，v2表示所述电压图像特征向量，v表示所述电气特征向量,表示按位置点除。4.根据权利要求3所述的5g远程智能测控高压柜，其特征在于，所述电气特征校正模块，进一步用于：以如下公式对所述电气特征向量进行向量的波函数表征聚合以得到所述校正后电气特征向量；其中，所述公式为：其中v表示所述电气特征向量，v
max-1
表示所述电气特征向量的最大特征值的倒数，
⊙
表示按位置点乘。5.根据权利要求4所述的5g远程智能测控高压柜，其特征在于，所述声谱图编码模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分
图的按位置点乘以获得特征矩阵；其中，所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述声音特征矩阵。6.根据权利要求5所述的5g远程智能测控高压柜，其特征在于，所述特征融合模块，进一步用于：以如下公式融合所述声音特征矩阵和所述校正后电气特征向量以得到所述分类特征向量；其中，所述公式为：其中v
e
表示所述校正后电气特征向量，m
v
表示所述声音特征矩阵，v
c
表示所述分类特征向量，表示矩阵相乘。7.根据权利要求6所述的5g远程智能测控高压柜，其特征在于，所述监控结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为所述分类特征向量。8.根据权利要求7所述的5g远程智能测控高压柜，其特征在于，所述5g远程智能测控高压柜还包括5g通信设备，用于响应于所述分类结果为被监测电力设备发生低压电弧故障,传递故障预警提示。9.一种5g远程智能测控高压柜的方法，其特征在于，包括：获取待监测电力设备在预定时间段的电流信号和电压信号，以及，由声音传感器采集的所述待监测电力设备在所述预定时间段的声音信号；将所述待监测电力设备在预定时间段的电流信号和电压信号分别通过作为过滤器的第一卷积神经网络模型以得到电流图像特征向量和电压图像特征向量；对所述电流图像特征向量和所述电压图像特征向量进行协整分析以得到电气特征向量；对所述电气特征向量进行向量的波函数表征聚合以得到校正后电气特征向量，其中，所述向量的波函数表征聚合基于所述电气特征向量的最大特征值的倒数来记性；提取所述声音信号的对数梅尔谱图；将所述对数梅尔谱图通过使用空间注意力机制的第二卷积神经网络模型以得到声音特征矩阵；融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测电力设备是否发生低压电弧故障。10.根据权利要求9所述的5g远程智能测控高压柜的方法，其特征在于，所述融合所述声音特征矩阵和所述校正后电气特征向量以得到分类特征向量，进一步用于：以如下公式融合所述声音特征矩阵和所述校正后电气特征向量以得到所述分类特征向量；其中，所述公式为：其中v
e
表示所述校正后电气特征向量，m
v
表示所述声音特征矩阵，v
c
表示所述分类特征向量，表示矩阵相乘。

技术总结

本申请涉及智能监测领域，其具体地公开了一种5G远程智能测控高压柜及其方法，其通过结合非电气量特征和电气量特征来进行电力设备的低压电弧故障检测，以提高故障检测的准确性进而保证电力设备的正常运行。并且，所述5G远程智能测控高压柜能够以5G通信设备来传输监控结果，以确保监控结果能够被快速地接收到，以保证设备监测的实时性。以保证设备监测的实时性。以保证设备监测的实时性。