(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211117671.7 (22)申请日 2022.09.14 (71)申请人 乾研感知科技 （江苏） 有限公司 地址 211100 江苏省南京市江宁区天元西 路59号银城INC中心1号楼14层1404号 (江宁开发区) (72)发明人 王鑫磊　魏超　马睿　程良虎　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 何平 (51)Int.Cl. H02J 13/00(2006.01) (54)发明名称 5G远程智能测控高压柜及其方法 (57)摘要 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。 权利要求书2页 说明书12页 附图8页 CN 115395655 A 2022.11.25 CN 115395655 A 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， vmax‑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权　利　要　求　书 1/2 页 2 CN 115395655 A 2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。 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{(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。 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。权　利　要　求　书 2/2 页 3 CN 115395655 A 3