[发明专利]特高压设备监测系统及方法

权利要求书

1.一种特高压设备监测系统，其包括平台资源层、基础服务层、服务支持层以及应用服务层，其中，

平台资源层，其配置成提供数据和资源支持，所述平台资源层包括存储特高压设备运行和维护时产生的数据的数据库、存储特高压设备知识的知识库、存储算法模型和诊断规则的模型库和索引库；

基础服务层，其配置成提供资源、权限、安全及网络服务，所述基础服务层响应于服务支持层的指令以访问和调用所述平台资源层；

服务支持层，其配置成实现对特高压设备的故障诊断和状态监测，服务支持层接收应用服务层发送的操作指令以及访问基础服务层，并响应所述操作指令进行相应的业务逻辑处理以生成处理结果，所述服务支持层包括，

故障诊断模块，其包括利用非线性流形学习算法直接提取原始高维数据空间中的低维流形的降维单元和基于混合隐马尔科夫模型诊断故障的诊断单元，

状态监测模块，其基于自回归滑动平均模型和神经网络以监测系统状态；

应用服务层，其配置成实现人机交互操作，发送操作指令到服务支持层，并且接收服务支持层返回的处理结果，特高压设备监测系统还包括提供故障诊断工具的外部诊断模块，其数据交互所述平台资源层以及连接所述应用服务层，其中，状态监测模块包括用于捕捉时间序列线性部分的ARMA模型单元和处理非线性时间序列的ANN单元，所述诊断单元包括正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型，输入采集的现场特高压设备的状态数据以及生成 状态监测操作指令且发送服务支持层，响应所述状态监测操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，对现场特高压设备的状态数据进行数据预处理，降维单元对预处理后的数据通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；状态监测模块基于自回归滑动平均模型进行模式识别，利用自回归滑动平均模型对精度进行检验，基于精度的检验标准，获得ARMA的预测模型，初步得到状态监测处理结果，迭代计算得到预测残差，计算值与实际值的偏差，计算状态监测处理结果是否满足精度，如果不满足，则重新将数据代入模式识别进行判断，如果满足，则将状态监测处理结果输出，应用服务层接收服务支持层返回的出现故障处理结果。

2.如权利要求1所述的特高压设备监测系统，其中，特高压设备监测系统设置于云端服务器，云端服务器包括处理器、硬盘、内存、总线和用于以统一格式交互的无线通信设备，所述无线通信设备至少包括移动通信网络设备，所述移动通信网络设备包括2G无线通信芯片、3G无线通信芯片、4G无线通信芯片和/或5G无线通信芯片。

3.如权利要求1所述的特高压设备监测系统，其中，平台资源层、基础服务层、服务支持层以及应用服务层分别包括用于数据交互的交换机。

4.如权利要求1所述的特高压设备监测系统，其中，所述平台资源层还包括本体库和专家库。

5.如权利要求1所述的特高压设备监测系统，其中，服务支持层还包括用于对特高压设备数据处理的数据处理模块、用于获取知识的知识获取模块和用于检索知识的知识检索模块。

6.一种利用权利要求1-5中任一项所述特高压设备监测系统的故障诊断方法，其包括以下步骤，

第一步骤，输入特高压设备的原始训练数据和原始测试数据以及生成 故障诊断操作指令且发送服务支持层，

第二步骤，响应所述故障诊断操作指令，服务支持层进行相应的业务逻辑处理以及访问基础服务层，其中，分别对特高压设备的原始训练数据和原始测试数据进行数据预处理，降维单元对两组预处理后的数据分别通过非线性流形学习算法直接提取原始高维数据空间中的低维流形实现数据降维；诊断单元接收两组降维后的数据且输入混合隐马尔可夫模型中，经训练后得到正常状态HMM模型、中间状态HMM模型、间歇状态HMM模型和故障状态HMM模型；分别计算出四种模型的正常状态、中间状态、间歇状态、故障状态的似然概率，通过对比这四个似然概率的大小，当故障状态HMM模型概率最大时，发出出现故障处理结果，

第三步骤，应用服务层接收服务支持层返回的出现故障处理结果。