CN103901305B - 电力设备的在线预警方法 - Google Patents
电力设备的在线预警方法 Download PDFInfo
- Publication number
- CN103901305B CN103901305B CN201410129668.6A CN201410129668A CN103901305B CN 103901305 B CN103901305 B CN 103901305B CN 201410129668 A CN201410129668 A CN 201410129668A CN 103901305 B CN103901305 B CN 103901305B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- time window
- moment
- predicted value
- sequent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 224
- 238000012937 correction Methods 0.000 claims description 31
- 238000009499 grossing Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 230000032683 aging Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力设备的在线预警方法，包括：获取电力设备的时‑时间窗内的监测序列；通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的预警阈值，若任意一个大于，则发出预警信息；若所有预测值均不大于所述预设的预警阈值，则获取电力设备的历史‑时间窗内的监测序列；通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息。实施本发明的方法，能克服滑动固定时间窗所带来的局限，既在大时间尺度上把握设备状态的缓慢变化，又可及时地反映监测序列的快速骤变，可提高预警的准确率。
Description
技术领域
本发明涉及电力设备技术领域，特别是涉及一种电力设备的在线预警方法。
背景技术
在电力系统中，对电力设备异常状态的正确预警是实现状态检修的基础。对于大多数故障，通过实时监测能够表征设备健康状态的特征量及变化趋势，即可对设备是否存在异常做出及时准确的判断，从而提前采取措施消除设备隐患，避免事故的发生。
现有的电力设备的监测预警，通常为固定时窗型的监测预警模型，即利用固定时间间隔采样获得的检测数据，进行分析预警，但是上述预警模型未充分考虑历史数据，对于快速发展的设备缺陷，很难及时发现，而对于长时间缓慢发展的设备缺陷，又无法全面反映，很容易漏检，预警的精确度极低。
发明内容
基于此，有必要针对上述电力设备的监测预警技术，易漏检，预警的精确度极低的问题，提供一种电力设备的在线预警方法。
一种电力设备的在线预警方法，包括以下步骤：
获取电力设备的时-时间窗内的监测序列，其中，所述时-时间窗内的监测序列为在所述电力设备的当前时刻的前n小时内，以分钟为监测间隔监测的所述电力设备的状态参数，n大于0且小于24；
通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的预警阈值，若任意一个大于，则发出预警信息；
若所有预测值均不大于所述预设的预警阈值，则获取电力设备的历史-时间窗内的监测序列，其中，所述历史-时间窗内的监测序列为在所述电力设备的当前时刻的前m天内，监测的所述电力设备的状态参数的预测值，m大于或等于1；
通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息。
上述电力设备的在线预警方法，在时-时间窗内的监测序列的所有预测值均不大于所述预设的预警阈值，获取电力设备的历史-时间窗内的监测序列，通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息，充分利用了历史监测序列，克服了滑动固定时间窗所带来的局限，既能在大时间尺度上把握设备状态的缓慢变化，又能够及时地反映监测序列的快速骤变，可提高预警的准确率。
附图说明
图1为本发明电力设备的在线预警方法第一实施方式的流程示意图；
图2为本发明电力设备的在线预警方法第二实施方式的流程示意图。
具体实施方式
请参阅图1，图1是本发明电力设备的在线预警方法第一实施方式的流程示意图。
本实施方式的通讯用户间关注度的处理方法包括以下步骤：
步骤101，获取电力设备的时-时间窗内的监测序列，其中，所述时-时间窗内的监测序列为在所述电力设备的当前时刻的前n小时内，以分钟为监测间隔监测的所述电力设备的状态参数，n大于0且小于24。
步骤102，通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的预警阈值，若任意一个大于，则发出预警信息。
步骤103，若所有预测值均不大于所述预设的预警阈值，则获取电力设备的历史-时间窗内的监测序列，其中，所述历史-时间窗内的监测序列为在所述电力设备的当前时刻的前m天内，监测的所述电力设备的状态参数的预测值，m大于或等于1。
步骤104，通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息。
本实施方式的电力设备的在线预警方法，在时-时间窗内的监测序列的所有预测值均不大于所述预设的预警阈值，获取电力设备的历史-时间窗内的监测序列，通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息，充分利用了历史监测序列，克服了滑动固定时间窗所带来的局限，既能在大时间尺度上把握设备状态的缓慢变化，又能够及时地反映监测序列的快速骤变，可提高预警的准确率。
其中，对于步骤101，优选地n=1，时-时间窗内的监测序列为在所述电力设备的当前时刻的前n小时内，以分钟为监测间隔监测的所述电力设备的状态参数。所述状态参数包括电力设备的运行状态数据，用于反映电力设备的故障，电力设备的故障可分为劣化故障和随机故障，劣化故障是因性能逐渐老化而导致的故障，如热老化、电老化、机械老化、化学腐蚀等，随机故障则是指因外部随机因素导致的设备故障，如过负荷、雷击、外部短路冲击。
优选地，所述时-时间窗是对监测序列最小的分解时间窗，以分钟为监测间隔，可对随机发生的突发缺陷进行及时的预警，及时反映电力设备的骤变，有利于及时发现问题，进行预警。
对于步骤102，优选地，可通过指数平滑算法获取所述监测序列中各监测数据的预测值。也可以采用本领域技术人员惯用的其他技术手段获取预测值。
在一个实施例中，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的预警阈值的步骤包括以下步骤：
通过如下指数平滑法计算所述时-时间窗内的监测序列中各个时刻的监测数据的预测值：
y(ti)=αx(ti)+(1-α)y(ti-1)；
其中，x(ti)为ti时刻的监测数据，y(ti)为x(ti)的预测值，y(ti-1)为ti时刻的前一时刻的监测数据的预测值，α为平滑系数，0<α<1。
对于步骤103，所述预设的预警阈值根据监测的状态参数设定，故障类型不同，预警阈值不同，优选地为电力设备正常运行时的参数范围。
优选地，所述历史-时间窗包括日-时间窗、月-时间窗、年-时间窗和长期-时间窗中的至少一个，可在大时间尺度上反应电力设备的运行状态的缓慢变化，其中：
所述日-时间窗内的监测序列可包括所述电力设备的当前时刻的前m天内，各个所述时-时间窗中最后时刻的监测数据的预测值，m小于30。
所述月-时间窗的监测序列可包括所述电力设备的当前时刻的前k月内，各个所述日-时间窗中最后时刻的监测数据的预测值，k或等于1，且小于12。
所述年-时间窗内的监测序列包括所述电力设备的当前时刻的前1年内，各个所述月-时间窗中最后时刻的监测数据的预测值。
所述长期时间窗的监测序列包括所述电力设备的当前时刻的前p年内，各个所述年-时间窗中最后时刻的监测数据的预测值，p大于1。
对于步骤104，所述预设的历史预警阈值可根据监测的状态参数设定，故障类型不同，预警阈值不同，优选地为电力设备正常运行时的参数范围
优选地，所述历史-时间窗的类型不同，所述预设的历史预警阈值的数值范围也不同。
进一步地，所述预测算法可包括指数平滑法、移动平均估计法或本领域技术人员惯用的其他预测算法。
请参阅图2，图2是本发明电力设备的在线预警方法第二实施方式的流程示意图。
本实施方式的电力设备的在线预警方法与第一实施方式的区别在于：当所述历史-时间窗包括日-时间窗，其中，所述日-时间窗内的监测序列包括所述电力设备的当前时刻的前m天内，各个所述时-时间窗中最后时刻的监测数据的预测值，m小于30时，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值的步骤包括以下步骤：
步骤201，获取所述日-时间窗内的监测序列和所述日-时间窗的各个时刻的参考数据，其中，各个时刻的参考数据为所述电力设备在投运时期的多个日-时间窗内的相同时刻的监测数据的平均值。
步骤202，获取所述监测序列中各个时刻的监测数据与相同时刻的参考数据的差，作为各个时刻的监测数据的修正值。
步骤203，通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预测值，并比较各个预测值是否大于预设的第一历史预警阈值，若任意一个大于，则发出预警信息。
本实施方式的电力设备的在线预警方法，通过参考数据对各个时刻的监测数据的修正得到修正值，再对修正值进行预测获得预测值，最终比较各个预测值是否大于预设的第一历史预警阈值，若任意一个大于，则发出预警信息，可消除电力设备的日负荷变化对监测数据的影响，提高预警准确度。
其中，对于步骤201，所述参考数据为在电力设备正常状态（一般为电力设备投运初期）时的多个日-时间窗的监测序列内的各个相同监测时刻的监测数据进行平均后获得的数据。所述参考数据可反映电力设备的日负荷变化对当前日-时间窗监测数据的影响。
对于步骤203，优选地，第一历史预警阈值可根据监测的状态参数设定，故障类型不同，预警阈值不同，优选地为电力设备正常运行时的参数范围在一个实施例中，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第一历史预警阈值的步骤包括以下步骤：
通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测：
为t时刻的监测数据的修正值，dj(t)为预测值，dj-1(t)为t时刻的前一时刻的监测数据的预测值，β为平滑系数，0<β<1。
在另一个实施中，当所述历史-时间窗还包括月-时间窗，其中，所述月-时间窗的监测序列包括所述电力设备的当前时刻的前k月内，各个所述日-时间窗中最后时刻的监测数据的预测值，k或等于1，且小于12时，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值的步骤还包括以下步骤：
若各个预测值均不大于所述预设的第一历史预警阈值，则获取所述月-时间窗内的监测序列。
通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第二历史预警阈值，若任意一个大于，则发出预警信息。
优选地，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，比较各个预测值是否大于预设的第二历史预警阈值的步骤包括以下步骤：
通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测：
mk(t)=γdk(t)+(1-γ)mk-1(t)；
其中，dk(t)为t时刻的监测数据，mk(t)为预测值，mk-1(t)为t时刻的前一时刻的监测数据的预测值，γ为平滑系数，0<γ<1。
在其他实施例中，当所述历史-时间窗还包括年-时间窗，其中，所述年-时间窗内的监测序列包括所述电力设备的当前时刻的前1年内，各个所述月-时间窗中最后时刻的监测数据的预测值时，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值的步骤还包括以下步骤：
若各个预测值均不大于所述预设的第二历史预警阈值，则获取所述年-时间窗内的监测序列和所述年-时间窗的各个时刻的参考数据，其中，各个时刻的参考数据为所述电力设备在投运时期的多个月-时间窗内的相同时刻的监测数据的平均值。
获取所述监测序列中各个时刻的监测数据与相同时刻的参考数据的差，作为各个时刻的监测数据的修正值。
通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预测值，并比较各个预测值是否大于预设的第三历史预警阈值，若任意一个大于，则发出预警信息。
在本实施例中，第二历史预警阈值的数值根据监测的状态参数设定，故障类型不同，预警阈值不同，优选地为电力设备正常运行时的参数范围。所述参考数据为对当前时刻之前，历年中各个月-时间窗的监测序列中相同监测时刻的监测数据进行平均后获得。
进一步地，所述通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预测值，并比较各个预测值是否大于预设的第三历史预警阈值的步骤包括以下步骤：
通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测：
为t时刻的监测数据的修正值，Oj(t)为预测值，Oj-1(t)为t时刻的前一时刻的修正值的预测值，η为平滑系数，0<η<1。
更进一步地，当所述历史-时间窗还包括长期-时间窗，其中，所述长期时间窗的监测序列包括所述电力设备的当前时刻的前p年内，各个所述年-时间窗中最后时刻的监测数据的预测值，p大于1时，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值的步骤还包括以下步骤：
若各个预测值均不大于所述预设的第三历史预警阈值，则获取所述长期-时间窗内的监测序列。
通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第四历史预警阈值，若任意一个大于，则发出预警信息。
优选地，所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第四历史预警阈值的步骤包括以下步骤：
通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测：
其中，yt为t时刻的监测数据，为yt的预测值，yt-n为t时刻的前n时刻的监测数据，为t时刻的后一时刻的监测数据的预测值，n为移动时距，n为正整数。
上述长期-时间窗中的监测序列能够准确把握电力设备状态的变化趋势，可以消除监测数据随机波动的影响，获得监测数据的本质增长规律。
优选地，第三历史预警阈值和第四历史预警阈值的数值，也可根据监测的状态参数设定，故障类型不同，预警阈值不同，优选地为电力设备正常运行时的参数范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备的在线预警方法，其特征在于，包括以下步骤：
获取电力设备的时-时间窗内的监测序列，其中，所述时-时间窗内的监测序列为在所述电力设备的当前时刻的前n小时内，以分钟为监测间隔监测的所述电力设备的状态参数，n大于0且小于24；
通过预测算法计算所述时-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述时-时间窗内的各个预测值是否大于预设的预警阈值，若任意一个大于，则发出预警信息；
若所述时-时间窗内的监测序列的所有预测值均不大于所述预设的预警阈值，则获取电力设备的历史-时间窗内的监测序列，其中，所述历史-时间窗内的监测序列为在所述电力设备的当前时刻的前m天内，监测的所述电力设备的状态参数的预测值，m大于或等于1；
通过预测算法计算所述历史-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述历史-时间窗内的各个监测数据的预测值是否大于预设的历史预警阈值，若任意一个大于，则发出预警信息。
2.根据权利要求1所述的电力设备的在线预警方法，其特征在于，所述通过预测算法计算所述时-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述时-时间窗内的各个预测值是否大于预设的预警阈值的步骤包括以下步骤：
通过如下指数平滑法计算所述时-时间窗内的监测序列中各个时刻的监测数据的预测值：
y(ti)＝αx(ti)+(1-α)y(ti-1)；
其中，x(ti)为ti时刻的监测数据，y(ti)为x(ti)的预测值，y(ti-1)为ti时刻的前一时刻的监测数据的预测值，α为平滑系数，0<α<1。
3.根据权利要求1或2所述的电力设备的在线预警方法，其特征在于，当所述历史-时间窗包括日-时间窗，其中，所述日-时间窗内的监测序列包括所述电力设备的当前时刻的前m天内，各个所述时-时间窗中最后时刻的监测数据的预测值，m小于30时，所述通过预测算法计算所述历史-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述历史-时间窗内的各个监测数据的预测值是否大于预设的历史预警阈值的步骤包括以下步骤：
获取所述日-时间窗内的监测序列和所述日-时间窗的各个时刻的参考数据，其中，各个时刻的参考数据为所述电力设备在投运时期的多个日-时间窗内的相同时刻的监测数据的平均值；
获取所述日-时间窗内的监测序列中各个时刻的监测数据与相同时刻的参考数据的差，作为各个时刻的监测数据的修正值；
通过预测算法计算所述日-时间窗内的监测序列中各个时刻的监测数据的修正值的预测值，并比较各个修正值的预测值是否大于预设的第一历史预警阈值，若任意一个大于，则发出预警信息。
4.根据权利要求3所述的电力设备的在线预警方法，其特征在于，所述通过预测算法计算所述日-时间窗内的监测序列中各个时刻的监测数据的修正值的预测值，并比较各个修正值的预测值是否大于预设的第一历史预警阈值的步骤包括以下步骤：
通过如下公式对所述日-时间窗内的监测序列的各个时刻的监测数据的修正值进行指数预测：
为t时刻的监测数据的修正值，dj(t)为t时刻的监测数据的修正值的预测值，dj-1(t)为t时刻的前一时刻的监测数据的修正值的预测值，β为平滑系数，0<β<1。
5.根据权利要求3所述的电力设备的在线预警方法，其特征在于，当所述历史-时间窗还包括月-时间窗，其中，所述月-时间窗的监测序列包括所述电力设备的当前时刻的前k月内，各个所述日-时间窗中最后时刻的监测数据的预测值，k大于或等于1，且小于12时，所述通过预测算法计算所述历史-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述历史-时间窗内的各个监测数据的预测值是否大于预设的历史预警阈值的步骤还包括以下步骤：
若所述日-时间窗内的各个修正值的预测值均不大于所述预设的第一历史预警阈值，则获取所述月-时间窗内的监测序列；
通过预测算法计算所述月-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第二历史预警阈值，若任意一个大于，则发出预警信息。
6.根据权利要求5所述的电力设备的在线预警方法，其特征在于，所述通过预测算法计算所述月-时间窗内的监测序列中各个时刻的监测数据的预测值，比较各个预测值是否大于预设的第二历史预警阈值的步骤包括以下步骤：
通过如下公式对所述月-时间窗内的监测序列的各个时刻的监测数据进行指数预测：
mk(t)＝γdk(t)+(1-γ)mk-1(t)；
其中，dk(t)为t时刻的监测数据，mk(t)为预测值，mk-1(t)为t时刻的前一时刻的监测数据的预测值，γ为平滑系数，0<γ<1。
7.根据权利要求5所述的电力设备的在线预警方法，其特征在于，当所述历史-时间窗还包括年-时间窗，其中，所述年-时间窗内的监测序列包括所述电力设备的当前时刻的前1年内，各个所述月-时间窗中最后时刻的监测数据的预测值时，所述通过预测算法计算所述历史-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述历史-时间窗内的各个监测数据的预测值是否大于预设的历史预警阈值的步骤还包括以下步骤：
若所述月-时间窗内的各个预测值均不大于所述预设的第二历史预警阈值，则获取所述年-时间窗内的监测序列和所述年-时间窗的各个时刻的参考数据，其中，各个时刻的参考数据为所述电力设备在投运时期的多个月-时间窗内的相同时刻的监测数据的平均值；
获取所述年-时间窗内的监测序列中各个时刻的监测数据与相同时刻的参考数据的差，作为各个时刻的监测数据的修正值；
通过预测算法计算所述年-时间窗内的监测序列中各个时刻的监测数据的修正值的预测值，并比较各个修正值的预测值是否大于预设的第三历史预警阈值，若任意一个大于，则发出预警信息。
8.根据权利要求7所述的电力设备的在线预警方法，其特征在于，所述通过预测算法计算所述年-时间窗内的监测序列中各个时刻的监测数据的修正值的预测值，并比较各个修正值的预测值是否大于预设的第三历史预警阈值的步骤包括以下步骤
通过如下公式对所述年-时间窗内的监测序列的各个时刻的监测数据的修正值进行指数预测：
为t时刻的监测数据的修正值，Oj(t)为t时刻的监测数据的修正值的预测值，Oj-1(t)为t时刻的前一时刻的监测数据的修正值的预测值，η为平滑系数，0<η<1。
9.根据权利要求7所述的电力设备的在线预警方法，其特征在于，当所述历史-时间窗还包括长期-时间窗，其中，所述长期-时间窗的监测序列包括所述电力设备的当前时刻的前p年内，各个所述年-时间窗中最后时刻的监测数据的预测值，p大于1时，所述通过预测算法计算所述历史-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较所述历史-时间窗内的各个监测数据的预测值是否大于预设的历史预警阈值的步骤还包括以下步骤：
若所述年-时间窗内的各个修正值的预测值均不大于所述预设的第三历史预警阈值，则获取所述长期-时间窗内的监测序列；
通过预测算法计算所述长期-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第四历史预警阈值，若任意一个大于，则发出预警信息。
10.根据权利要求9所述的电力设备的在线预警方法，其特征在于，所述通过预测算法计算所述长期-时间窗内的监测序列中各个时刻的监测数据的预测值，并比较各个预测值是否大于预设的第四历史预警阈值的步骤包括以下步骤：
通过如下公式对所述长期-时间窗内的监测序列的各个时刻的监测数据进行指数预测：
其中，yt为t时刻的监测数据，为yt的预测值，yt-n为t时刻的前n时刻的监测数据，为t时刻的后一时刻的监测数据的预测值，n为移动时距，n为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410129668.6A CN103901305B (zh) | 2014-03-31 | 2014-03-31 | 电力设备的在线预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410129668.6A CN103901305B (zh) | 2014-03-31 | 2014-03-31 | 电力设备的在线预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103901305A CN103901305A (zh) | 2014-07-02 |
| CN103901305B true CN103901305B (zh) | 2017-01-18 |
Family
ID=50992759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410129668.6A Active CN103901305B (zh) | 2014-03-31 | 2014-03-31 | 电力设备的在线预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103901305B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104596044B (zh) * | 2015-02-12 | 2018-01-23 | 珠海格力电器股份有限公司 | 空调器的控制方法、装置及系统 |
| CN106130679A (zh) * | 2016-06-21 | 2016-11-16 | 易事特集团股份有限公司 | 主从时钟同步方法与系统 |
| CN106405280B (zh) * | 2016-08-29 | 2018-11-09 | 许继集团有限公司 | 一种智能变电站在线监测参数趋势预警方法 |
| CN107391341A (zh) * | 2017-07-21 | 2017-11-24 | 郑州云海信息技术有限公司 | 一种故障预警方法及装置 |
| CN107621593A (zh) * | 2017-10-16 | 2018-01-23 | 云南电网有限责任公司电力科学研究院 | 一种基于时间序列的低电压预警方法及装置 |
| CN108540340B (zh) * | 2018-03-15 | 2021-05-07 | 上海携程商务有限公司 | 基于网站应用错误数的异常检测方法及系统 |
| CN110232483B (zh) * | 2019-06-18 | 2021-05-04 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
| CN110687374B (zh) * | 2019-10-09 | 2021-01-26 | 哈尔滨市科佳通用机电股份有限公司 | 机车信号车载设备在车检测数据分析系统及方法 |
| DE102019008406B4 (de) * | 2019-12-04 | 2024-02-01 | Drägerwerk AG & Co. KGaA | Anordnung und Verfahren zum Darstellen von medizinischen Alarmen |
| CN111178645B (zh) * | 2020-04-14 | 2020-12-08 | 深圳市朝阳辉电气设备有限公司 | 电力设备异常检测方法、装置、控制设备及存储介质 |
-
2014
- 2014-03-31 CN CN201410129668.6A patent/CN103901305B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 基于数据挖掘的预警技术在一体化输电设备监测中的应用研究;王红斌 等;《电网与清洁能源》;20140131;第30卷(第1期);第55-58页 * |
| 电力设备状态检修系统研究与应用;翟瑞聪 等;《广东电力》;20130531;第26卷(第5期);第96-100页 * |
| 网络型变电站绝缘在线监测及诊断系统;史保壮 等;《高电压技术》;20010831;第27卷(第4期);第33-34、83页 * |
| 高压设备绝缘在线监测影响因素分析;袁红波 等;《华北电力技术》;20021231(第6期);第41-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103901305A (zh) | 2014-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103901305B (zh) | 电力设备的在线预警方法 | |
| US10554077B2 (en) | Automated monitoring for changes in energy consumption patterns | |
| EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
| CN103323707B (zh) | 基于半马尔科夫过程的变压器故障率预测方法 | |
| CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
| CN103278771B (zh) | 工业现场三相异步电机异常状态的辨识方法 | |
| CN103646358B (zh) | 计及电力设备时变故障率的电网计划检修周期确定方法 | |
| Khoshkhoo et al. | On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system | |
| CN105954632B (zh) | 一种氧化锌避雷器在线监测与诊断方法 | |
| Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
| CN103915818A (zh) | 串联故障电弧检测方法及其专用装置 | |
| CN102721896B (zh) | 故障电弧检测方法 | |
| CN104636874B (zh) | 检测业务异常的方法及设备 | |
| CN104391202A (zh) | 基于电量异常分析的异常用电判断方法 | |
| US20130151212A1 (en) | Systems, methods and devices for determining energy conservation measure savings | |
| CN103383423B (zh) | 用于检测功率转换器的直流供电线上的缺陷的方法和系统 | |
| CN109324261A (zh) | 一种配电网电缆线路过热风险预警方法和系统 | |
| CN104242267A (zh) | 一种风力发电送出输电线路距离保护方法 | |
| CN106405280A (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
| CN204101643U (zh) | 三相电状况检测装置和电机系统 | |
| WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
| CN117491938A (zh) | 一种光伏储能系统的电流互感器检测控制方法 | |
| CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
| CN103173791A (zh) | 基于漏槽监控装置的铝电解漏槽检测方法 | |
| Tianshan et al. | Failure rate prediction of substation equipment combined with grey linear regression combination model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Co-patentee after: Tsinghua University Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Co-patentee before: Tsinghua University Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200302 Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Patentee after: Electric Power Research Institute of Guangdong Power Grid Co.,Ltd. Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Co-patentee before: TSINGHUA University Patentee before: Electric Power Research Institute of Guangdong Power Grid Co.,Ltd. |
|
| TR01 | Transfer of patent right |