CN105574604B - 一种面向电网运行事件的监控预判分析系统 - Google Patents

Abstract

本发明属于电力系统调度自动化技术领域，针对智能电网大数据带来的电网故障预警困难问题，提供一种基于大数据技术面向电网运行事件的监控预判分析系统。所述系统包括电网数据分析及专家库部分；专家库部分负责存储设备故障发生和电网事件发生时的各项数据，电网数据分析部分对大数据进行分析。本发明的有益效果在于：(1)在大数据时代下创建智能电网自我学习的专家库对电力设备和电网事故的监控预警起到了关键作用，极大提高了监控预判的准确度和速度，辅助电力企业更好的完成监控预警工作，具有积极的现实意义。(2)通过及时更新各节点的权值和阈值，做到全面准确考虑各监测监控量对设备运行状态及电网事件状态的影响，并实现及时预警功能，对未来智能电网研究具有实际应用价值。

Description

一种面向电网运行事件的监控预判分析系统

技术领域

本发明属于电力系统调度自动化技术领域，针对智能电网大数据带来的电网故障预警困难问题，提供一种基于大数据技术面向电网运行事件的监控预判分析系统。

背景技术

随着全球能源问题日益严峻，智能电网成为各国的热门研究课题。智能电网是将现代先进的物联网技术、网络技术、传感测量技术、通信技术、计算技术、自动化技术与智能控制技术等融入进当前的物理电网，形成新的智能电网。智能电网建立起一个完全覆盖电力系统发电、输电、变电、配电、用电及调度等多个环节的全景感知网络，因此电网运行和设备检测产生的数据呈指数增长，逐渐构成了大数据。

大数据是当今信息界所关注的热门话题，其定义为数据量的规模大到无法通过目前主流软件工具，在合理时间内达到获取、管理、处理并整理成为帮助企业经营决策更积极目的的信息。大数据在智能电网中的业务分为三类：一是电网运行和设备检测或监测数据；二是电力企业营销数据；三是电力企业管理数据。本算法主要研究电网运行和设备检测或监测产生的大数据，电网运行和设备检测或监测产生的数据主要有遥测和遥信等数据形式。2012年至今的遥测、遥信历史数据已达到14T，到2021年，数据总量可达25T。

分析、挖掘这些庞大的数据存在诸多问题，如数据量大、种类多、关联关系复杂、在分析上存在技术瓶颈、数据价值没有充分利用，特别是难以通过数据实现即时预警等等。基于此，提出一种连锁故障预测方法，在事故发生后计算系统潮流以判断节点电压波动及线路的过负荷情况并依判据切除相应元件；提出用两个神经网络，其中一个用于诊断正常、过热、局放和电弧故障，另一个用于诊断涉及纤维素降解的故障。国内外诸如此类的方法还有一些，但是这些方法都没有考虑大数据时代下智能电网数据的自我学习，其预判能力也有待提高。基于以上原因，研究大数据下的智能电网数据监控与设备故障、事件预判，并提出电网事件监控预判分析算法，建立自我学习智能专家库，进行智能电网事件预判及调度。

发明内容

本发明所要解决的技术问题在于提供一种基于大数据电网事件监控预判智能分析方法。该分析方法针对电网运行和设备检测或监测数据进行分析，有效的分析并预测电网各种事故状态，很好的满足实际电网业务中的监控数据分析需求。

为实现上述的发明目的，本发明采用下述的技术方案：

1、基于大数据电网事件监控预判智能分析系统，包括电网数据分析及专家库部分；专家库部分负责存储设备故障发生和电网事件发生时的各项数据，电网数据分析部分对大数据进行分析。包含两个子问题：

(1)电网数据分析分层规则：依据监控监测数据与设备运行状态的关联关系，将电网数据分析部分分为输入层，设备层，事件层。输入层采集电网中的设备检测或监测数据；设备层根据来自输入层的数据和专家库数据，预测各设备状态，并向事件层输出设备状态信息；事件层根据设备层输出的数据，预测事件状态。

(2)连接权值和阈值设置规则：依据输入层、设备层、时间层之间各节点的相互影响大小关系，设置相应的连接权值，对处理节点和输出节点设置阈值。

2、电网数据分析方法：

电网数据分析方法包括设备异常分析预判、电网运行事件分析预判两个方面。设备异常分析预判部分根据当前时间输入值，输入层与设备层之间的连接权值，以及设备层的阈值三个条件，通过相应的算法可以得出设备层的预测输出值，即设备运行状态预测值。电网运行时间分析预判部分根据之前所计算出的预测输出值，设备层与时间层的连接权值，以及事件层阈值，通过相应的算法可以得出电网事件状态的预测输出值。包含两个子问题：

(1)计算预测值与实际值的误差：根据实际输出值与预测输出值，采用相应的算法，能够计算出即时误差。

(2)权值、阈值的处理：根据即时误差，输入层的输入值，设备层的输出值，以及历史连接权值，采用相应的算法来更新下一时刻的连接权值。根据网络的即时误差、输入层的输入值、设备层的输出值以及历史阈值，采用相应的算法来更新设备层和事件层的阈值。

3、智能分析专家库构建：

智能分析专家库可以自动记录设备故障和电网出现事故时的各项主要影响因素，当再次预测到设备故障或电网事故时，将各项数据与专家库中的数据对比，若相吻合则发出此种设备故障或电网事故预判告警，若专家库中没有相吻合的数据，则存入数据，并告警。通过此过程逐渐建立自我学习专家库。

本发明的有益效果在于：

(1)在大数据时代下创建智能电网自我学习的专家库对电力设备和电网事故的监控预警起到了关键作用，极大提高了监控预判的准确度和速度，辅助电力企业更好的完成监控预警工作，具有积极的现实意义。

(2)通过及时更新各节点的权值和阈值，做到全面准确考虑各监测监控量对设备运行状态及电网事件状态的影响，并实现及时预警功能，对未来智能电网研究具有实际应用价值。

附图说明

图1是本发明的系统结构图。

图2不同温度下变压器1状态及冰灾事故状态随湿度变化图。

图3不同温度下各权值随湿度变化图。

图4不同湿度下各阈值变化图。

具体实施方式

下面结合附图，对本发明的技术方案作详细阐述。

1、构建系统结构模型

系统分为两个部分，专家库部分和电网数据分析部分。专家库部分负责存储设备故障发生和电网事件发生时的各项数据，电网数据分析部分对大数据进行分析，具体结构如图1所示。

以下详述电网数据分析部分：

分布在智能电网中的各种检测设备向数据中心发送数量巨大的电网运行和设备检测或监测数据，这些数据作为输入信号X，经过对这些数据的分析，可预测电网各种事故状态，这些状态为输出信号Y。电网运行时，不同的电网事件是由不同的设备故障产生，而不同的设备故障是由各种不同监控检测数据的变化引起，即输入的各种监控数据的变化首先影响设备运行状态，设备运行状态的改变会产生不同事件，根据上述关联关系及电网运行多年的经验，将数据进行如下处理。电网数据分析部分分为三层:一是输入层，二是设备层，三是事件层。节点个数分别为n个节点、l个节点、m个节点。n即为输入信号的个数，l为设备个数，m为电网事件的个数。输入层进行数据采集，采集电网中的设备检测或监测数据；设备层根据来自输入层的数据和专家库数据，预测各设备状态，并向事件层输出设备状态信息；事件层根据设备层输出的数据，预测事件状态。

其中x₁,x₂,...,x_n为输入节点，表示电网中各种监控信号；h₁,h₂,...,h_j为处理节点，h₁,h₂,...,h_j为电网各种设备的运行状态；y₁,y₂,...,y_m为输出节点，表示电网不同事件的状态。设置输入层、设备层之间各节点的连接权值为

设备层和事件层之间各节点的连接权值为

设备层和事件层各节点的阈值分别为

和

t为取样时间。各节点的连接指向表示前向节点对后向节点的影响，影响的大小由连接权值确定，权值越大，前向节点对后向节点的影响越大。阈值表示处理节点和输出节点的门限值。

2、电网数据分析方法

在电网设备监控运行分析部分提出电网事件监控预判分析算法，该算法可实现设备异常分析预判、电网运行事件分析预判功能，具体如下。

2.1设备异常分析预判

根据智能电网大数据的当前时间输入值

输入层与设备层之间的连接权值

以及设备层的阈值

可以得出设备层的预测输出

即设备运行状态预测值:

上式中,l为设备层的设备个数，即j＝1,2,...,l，f(x)为设备层的激励函数，其作用是将数据转化为无纲量的信号：

输入层与设备层之间的连接权值

以及设备层的阈值

的定义在3.4节中详细描述。

2.2电网运行事件分析预判

根据2.1计算出设备层的预测输出

设备层与事件层的连接权值

以及事件层阈值

可以得出电网事件状态的预测输出

其中k＝1,2,...,m。设备层和事件层之间的连接权值为

以及事件层的阈值

的定义在2.4节中详细描述。

2.3计算预测值与实际值的误差

根据实际的输出

以及2.2得出的预测输出

我们能够计算即时误差

其中k＝1,2,...,m。

2.4权值、阈值的处理

权值和阈值是根据历史数据产生的预测值，权值表示各输入对输出的影响大小，阈值表示输出的变化门限值。

根据即时误差

输入层的输入值、设备层的输出值以及历史连接权值对下一时刻连接权值

和

进行更新：

其中i＝1,2,...,n；j＝1,2,...,m。

其中j＝1,2,...,l；k＝1,2,...,m。η为学习系数，可设为常数。

根据网络的即时预测误差

输入层的输入值、设备层的输出值以及历史阈值对设备层和事件层的阈值

和

进行更新:

其中j＝1,2,...,l。

其中k＝1,2,...,m。

3智能分析专家库

当预测出的设备层输出

时，说明设备h_j出现故障,其中

为常数，表示故障门限值。当预测事件层输出

时，说明电网出现y_k事故,其中θ_yk为常数，表示事故门限值。将设备h_j出现故障时权值

的输入值

各权值

阈值

及处理层输出

存储进专家库，并记录设备h_j出现故障时的调度处理情况及方法。将电网出现y_k事故时权值

的设备层输出值

各权值

阈值

及事件层输出

存储进专家库，并记录电网出现yk事故时的调度处理情况及方法。以上描述中的α和β为状态常数。

具体实施例如下：节点x₁、x₂分别为变压器1周围的温度和湿度数据，x₃、x₄为变压器2周围的温度和湿度数据，h₁为变压器1运行状态数据，h₂为变压器2运行状态数据，y₁为冰冻灾害事故状态数据。由已建立的自我学习专家库中的数据可知，x₁、x₂到h₂的连接权值为0，即

同理

由于电网中监控信号数据构成大数据，信息量非常巨大，为方便论述，可假设其他输入信号对变压器1、变压器2的连接权值也为0。

当变压器1的周围的温度数据

时，变压器1的周围湿度变化对变压器的影响很小，根据公式(5)可得

很小，根据公式(7)得到的阈值

和公式(1)可得到

变化不明显，由此

变化不明显。当变压器1的周围的温度数据

时，变压器1的周围湿度变化对变压器的影响很大，根据公式(5)可得

很大，根据公式(7)得到的阈值

和公式(1)可得到

变化明显，根据其他来自电网的数据可知

变化明显，可能发生冰冻灾害事故。

在时间t₁时，发生冰冻灾害事故，将此时的输入数据

权值和阈值

以及设备层、事件层输出数据

存入专家库，在时间t_n时产生与t₁时间相似的数据时，可以预警t_n+1时刻发生冰冻灾害事故，调度人员进行相关处理预警。

根据华东地区遥测数据，对以上应用案例进行仿真计算,具体如下：

如图2，根据华东地区的数据，分别仿真30℃及-2℃时变压器1状态及冰灾事故状态随湿度的变化，由于变压器1、变压器2的变化曲线很接近，只对变压器1进行仿真。图3中30℃时变压器1状态及冰灾事故状为零，说明不会发生冰灾事故。-2℃时变压器1状态及冰灾事故状在湿度为75％时出现剧烈变化，其状态值随着湿度增加而升高，当达到当变压器1状态达到

时，发生冰灾事故。

图3给出了30℃和-2℃时各权值随湿度变化图。图4给出了变压器1阈值、变压器2阈值以及冰灾事故阈值随湿度的变化图。分析表明，在大数据时代下创建智能电网自我学习的专家库对电力设备和电网事故的监控预警起到了关键作用，具有积极的现实意义。此外本方法通过及时更新各节点的权值和阈值，做到全面准确考虑各监测监控量对设备运行状态及电网事件状态的影响，并实现及时预警功能，对未来智能电网研究具有实际应用价值。

Claims (1)

1.一种面向电网运行事件的监控预判分析系统，其特征在于，所述系统包括电网数据分析及专家库部分；

所述电网数据分析部分对大数据进行分析，具体如下：

(1)分布在智能电网中的各种检测设备向数据中心发送数量巨大的电网运行和设备检测或监测数据，这些数据作为输入信号X，经过对这些数据的分析，可预测电网各种事故状态，这些状态为输出信号Y；电网运行时，不同的电网事件是由不同的设备故障产生，而不同的设备故障是由各种不同监控检测数据的变化引起，即输入的各种监控数据的变化首先影响设备运行状态，设备运行状态的改变会产生不同事件，根据上述关联关系及电网运行多年的经验，将数据进行如下处理：

电网数据分析部分分为三层:一是输入层，二是设备层，三是事件层；节点个数分别为n个节点、l个节点、m个节点；n即为输入信号的个数，l为设备个数，m为电网事件的个数；输入层进行数据采集，采集电网中的变电设备检测或监测的环境温度和湿度数据；设备层根据来自输入层的数据和专家库数据，预测各设备状态，并向事件层输出设备状态信息；事件层根据设备层输出的数据，预测事件状态；其中x₁,x₂,...,x_n为输入节点，表示电网中各种监控信号；h₁,h₂,...,h_j为处理节点，h₁,h₂,...,h_j为电网各种设备的运行状态；y₁,y₂,...,y_m为输出节点，表示电网不同事件的状态；设置输入层、设备层之间各节点的连接权值为

设备层和事件层之间各节点的连接权值为

设备层和事件层各节点的阈值分别为

和

t为取样时间；各节点的连接指向表示前向节点对后向节点的影响，影响的大小由连接权值确定，权值越大，前向节点对后向节点的影响越大；阈值表示处理节点和输出节点的门限值；

(2)电网数据分析方法具体如下：

2.1设备异常分析预判

根据智能电网大数据的当前时间输入值

输入层与设备层之间的连接权值

以及设备层的阈值

可以得出设备层的预测输出

即设备运行状态预测值:

上式中,l为设备层的设备个数，即j＝1,2,...,l，f(x)为设备层的激励函数，其作用是将数据转化为无纲量的信号：

输入层与设备层之间的连接权值

以及设备层的阈值

的定义在2.4节中详细描述；

2.2电网运行事件分析预判

根据2.1计算出设备层的预测输出

设备层与事件层的连接权值

以及事件层阈值

可以得出电网事件状态的预测输出

其中k＝1,2,...,m；设备层和事件层之间的连接权值为

以及事件层的阈值

的定义在2.4节中详细描述；

2.3计算预测值与实际值的误差

根据实际的输出

以及2.2得出的预测输出

我们能够计算即时误差

其中k＝1,2,...,m；

2.4权值、阈值的处理

权值和阈值是根据历史数据产生的预测值，权值表示各输入对输出的影响大小，阈值表示输出的变化门限值；

根据即时误差

输入层的输入值、设备层的输出值以及历史连接权值对下一时刻连接权值

和

进行更新：

其中i＝1,2,...,n；j＝1,2,...,m；

其中j＝1,2,…,l；k＝1,2,…,m；η为学习系数，可设为常数；

根据网络的即时预测误差

输入层的输入值、设备层的输出值以及历史阈值对设备层和事件层的阈值

和

进行更新:

其中j＝1,2,…,l；

其中k＝1,2,…,m；

所述专家库为一智能分析专家库，负责存储设备故障发生和电网事件发生时的各项数据，并可以自动记录设备故障和电网出现事故时的各项主要影响因素，当再次预测到设备故障或电网事故时，将各项数据与专家库中的数据对比，若相吻合则发出此种设备故障或电网事故预判告警，若专家库中没有相吻合的数据，则存入数据，并告警，通过此过程逐渐建立自我学习专家库；

所述智能分析专家库具体如下：

当预测出的设备层输出

时，说明设备h_j出现故障,其中

为常数，表示故障门限值；当预测事件层输出

时，说明电网出现y_k事故,其中

为常数，表示事故门限值；将设备h_j出现故障时权值

的输入值

各权值

阈值

及处理层输出

存储进专家库，并记录设备h_j出现故障时的调度处理情况及方法；将电网出现y_k事故时权值

的设备层输出值

各权值

阈值

及事件层输出

存储进专家库，并记录电网出现y_k事故时的调度处理情况及方法；以上描述中的α和β为状态常数。

Images