CN105932774A - 基于ica算法的智能变电站设备状态预警方法 - Google Patents
基于ica算法的智能变电站设备状态预警方法 Download PDFInfo
- Publication number
- CN105932774A CN105932774A CN201610309884.8A CN201610309884A CN105932774A CN 105932774 A CN105932774 A CN 105932774A CN 201610309884 A CN201610309884 A CN 201610309884A CN 105932774 A CN105932774 A CN 105932774A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- temperature
- early warning
- distribution
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000000926 separation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 8
- JFUIHGAGFMFNRD-UHFFFAOYSA-N fica Chemical compound FC1=CC=C2NC(C(=O)NCCS)=CC2=C1 JFUIHGAGFMFNRD-UHFFFAOYSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 230000036413 temperature sense Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00019—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using optical means
-
- H02J13/0075—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/16—Electric power substations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/126—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment using wireless data transmission
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种基于ICA算法的智能变电站设备状态预警方法,包括以下步骤：（一） 信息数据采集；（二）信息数据传送；（三）信息数据处理：控制室的控制中心实时读取采集器传送来的数据集，并利用ICA算法对采集的数据集进行清理、数据集成和转换、数据降维，数据离散化等工作；（四）预警诊断：站控制室的控制中心利用贝叶斯算法对步骤（三）中处理好的数据进行分析，通过数据分类、关联和预测的方法，对历史数据训练建模以及集成工作人员现有的经验得到策略，输出相应的预警信号。本发明能够简单、快速地提取有效数据信息，对变电站一次/二次设备的运行状况作出更精准的预警，令对变电站的监测预警更及时、准确。本发明适用于电力系统所有通信设备的风险评估与预警。
Description
技术领域
本发明属于电力系统的通信领域，具体地说是一种基于ICA算法的智能变电站设备状态预警方法。
背景技术
随着变电站智能化的不断发展，无人值守变电站逐渐增多，对于变电站内高压开关柜、母线接头、电缆接头、输变电线路接头、室外刀闸开关等重要设备在线实时监测的任务也不断加重，这些在长期运行过程中容易因绝缘老化或接触电阻过大而发热,从而导致火灾和大面积的停电事故，造成重大的经济损失及严重的社会影响，因此对智能变电站设备进行温度实时监测是十分必要的。
由于变电站设备触头因为接触不良、氧化、老化等原因都会导致电阻变大，出现突然高热，触点温度升高是设备故障最直观的表现，故障发生前，一般触点温度都是保持一致，当负载增加就会促使设备温度变化，使其突然升高，因此现有技术中的变电站设备预警系统主要是对变电站各设备的温度进行预警，而现有的变电站设备预警系统对变电站各种重要设备的温度监测时，直接采集个设备的温度信息，然后直接对温度信息进行分析处理，这种处理方式的弊端在于：变电站电磁环境复杂等因素，采集的同一类触点的温度数据其实为一个数据的集合，其中包括原始温度数据、其他设备电磁噪声干扰数据、旁路触点温度干扰数据等集合，在预警系统中做数据分析时如果不将这些无效的数据剔除，极易造成错误的分析结果，而使预警系统做出错误的预判，会极大的影响变电站设备的正常运行。
发明内容
本发明要解决的技术问题，是提供一种基于ICA算法的智能变电站设备状态预警方法，通过对大量的采集数据进行精简筛选，获取出有用的信息，令分析出的结果更加准确。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于ICA算法的智能变电站设备状态预警方法,
它包括以下步骤：
（一） 信息数据采集：设于变电站内的无线监测系统通过贴于一次/二次设备附近的温度传感器采集各类设备的温度信息；
（二）信息数据传送：采集的温度信息通过微功率无线通信上传至与变电站最近的采集器，再由采集器通过集中器网关、经过光纤或以太网传送至站内控制室的控制中心；
（三）信息数据处理：控制室的控制中心实时读取采集器传送来的数据集，并利用ICA算法对采集的数据集进行清理、数据集成和转换、数据降维，数据离散化等工作；
（四）预警诊断：站控制室的控制中心利用贝叶斯算法对步骤（三）中处理好的数据进行分析，通过数据分类、关联和预测的方法，对历史数据训练建模，以及集成工作人员现有的经验得到策略，输出相应的预警信号。
作为对步骤（三）的限定：所述步骤（三）包括以下步骤：
1）数据预处理：控制室的控制中心对接收到的观测数据进行去均值或加上均值向量后得到正确的源信号波形估计；然后利用白化法去除数据间的相关性；
2）进入ICA主算法：控制室的控制中心利用傅里叶算法以负熵最大作为搜寻方向对预处理后的数据进行快速收敛，并通过非高斯性度量来表示分离结果间的相互独立性，当非高斯性达到最大时，完成ICA分离。
作为对步骤1）的限定：所述步骤1）对数据预处理后得到的数据信号集必须满足每个采集点的温度值之间是相互独立的、得到的分离矩阵为满秩矩阵、得到的数据集中至多只有一个信号为高斯分布函数三个先验条件。
作为对步骤2）的限定：所述步骤2）中利用傅里叶算法进行ICA分离包括依次进行的以下步骤：
①随机选择初始权值向量；
②利用公式更新权值向量；
③利用公式wk+1:wk+1/||wk+1||进行归一化；
④如果|wk+1-wk|>，则算法不收敛，返回步骤②，否则利用傅里叶算法的ICA算法估算出了一个独立分量，完成了所采集数据集的提取。
作为对步骤（四）的限定：所述步骤（四）中利用的贝叶斯算法包括依次进行的以下步骤：
ⅰ）建立温度模型；
ⅱ）预处理模型参数；
ⅲ）参数带入模型，进行故障预测；
ⅳ）在线采集温度，更新温度；
ⅴ）得到此时刻温度分布；
ⅵ）结合此时刻温度分布、温度总体分布、温度先验分布，依据观测值预测此时刻后验分布。
作为对步骤ⅲ）的限定：所述步骤中利用贝叶斯算法进行预测的过程为：设温度的初始状态的概率分布和k-1时刻的概率分布分别为：， Xk只与Xk-1有关，得到：
式中不包含yk的先验分布，由系统的状态转移概率分布来计算；
所述步骤ⅵ）更新后验分布参数的过程为：利用最新观测变量yk和先验分布推导，由贝叶斯公式可得：
由于和， 把上述两式代入贝叶斯公式，可得：
再根据条件概率分布、联合概率分布和贝叶斯公式
代入可得到。
由于采用了上述的技术方案,本发明与现有技术相比，所取得的技术进步在于：
（1）本发明采用无线微功率方式进行信息采集，高可靠、低功耗、使用方便灵活的通信技术，能够在智能变电站复杂环境下实现无线数据的稳定可靠传输；
（2）本发明采用ICA算法进行有用信息的提取，算法收敛速度快，鲁棒性高，具有并行性、分布式、计算简单、内存消耗少等优点；
（3）本发明采用贝叶斯算法考虑了主观因素和先验数据的关联性，使算法推理出的结果具有更加精准的预判性；
（4）本发明采用变电站预警指标体系拥有健壮的系统架构，健全的综合指标体系，利用贝叶斯算法制定风险评估规则，得到较客观的预警信号指示，并给出合理的解决措施方案，系统具有预判精准，措施合理等优点。
综上所述，本发明能够简单、快速地提取有效数据信息，对变电站一次/二次设备的运行状况作出更精准的预警，令对变电站的监测预警更及时、准确。
本发明适用于电力系统所有通信设备的风险评估与预警。
本发明下面将结合具体实施例作进一步详细说明。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例中ICA算法的分离模型框图；
图3为本发明实施例中贝叶斯算法的故障预测流程图；
图4a为本发明实施例去燥前混合数据的信号波形图；
图4b为图4a的去燥分离后的信号波形图；
图5为本发明实施例的指标评价体系图。
具体实施方式
实施例 基于ICA算法的智能变电站设备状态预警方法
本实施例提供了一种基于ICA算法的智能变电站设备状态预警方法，如图1所示，它包括以下步骤：
（一） 信息数据采集：设于变电站内的无线监测系统通过贴于一次/二次设备附近的温度传感器采集各类设备的温度信息。本实施例中采用现有技术中常用的温度传感器进行温度采集即可，无需作出更换，节省成本。
（二）信息数据传送：采集的温度信息通过微功率无线通信上传至与变电站最近的采集器，再由采集器通过集中器网关、经过光纤或以太网传送至站内控制室的控制中心。本实施例中的微功率无线通信设备采用现有的无线通信协议，可将采集的数据信息无线传送至控制中心，通过控制中心进行完整的处理。
（三）信息数据处理：控制室的控制中心实时读取采集器传送来的数据集，并利用ICA算法对采集的数据集进行清理、数据集成和转换、数据降维，数据离散化等工作。
本实施例如图2所示，采用现有技术中ICA算法的基本模型，即 X= AS
用矩阵形式表示为：
式中A为m×n阶满混合矩阵；S为n维随机列向量，即为某时刻n个源信号构成的向量；X为观测信号或混合信号向量，每个混合信号都是一个随机信号，其每个值都是对随机信号的一次抽样。由矩阵式可以看出，某个时刻每个观测信号都是由各个源信号经过不同的Aij加权得到的。要想从观测信号X中得到源信号S的估计Y，需要一个解混矩阵W进行变换对X，W可以看成是混合矩阵的一个逆估计，具体过程由Y=WX表示。
ICA方法的估计就是如何得到最优的解混矩阵W，这样才能使分离的信号最接近源信号。因此需要针对不同的观测信号，选择合适的目标函数和优化算法去训练W，使其达到极大或极小，这个就是所要求的数据。
在对信号进行ICA方法处理之前，先对采集的信号进行一些预处理，预处理方法主要有中心化和白化，中心化的最基本方法就是去均值，其基本思想是从观测信号X中减去信号的均值向量，使其变为均值为零的变量，定义式如下：
式中E[x]为X的均值。中心化不会影响信号继续分离的过程，但也不一定所有ICA处理都需要进行中心化，如果X与S是线性相关的，由式子可知S也是零均值的，所以分离出的信号与源信号在幅度上有偏差，因此分离出的信号之后，需要再加上均值向量，才会显示正确的源信号波形的估计。
白话主要是去除数据间的相关性，达到空域解相关的目的。此时本实施例的任务是要找到一种线性变换，使得X变为白化向量：
如果一个零均值向量X的协方差矩阵是单位矩阵，即：
称之为为白化信号。本实施例的处理过程就是要找到这样的线性变换中的白化矩阵Z，可得：
式中，是X协方差矩阵分解后特征值从大到小排列组成的；V是这些特征值对应的特征向量组成的正交矩阵。白化后，混合矩阵A也转化为新的矩阵，证明过程如下：
白化后就减少了ICA需要估计的参数，加快收敛的速度，也加强了算法的稳定性。
预处理之后就进入ICA主算法，本发明采用ICA演进的一种快速ICA算法，利用傅里叶算法进行快速收敛，简称FICA。算法是以负熵最大作为一个搜寻方向，源信号比观测信号具有更强的非高斯性，在分离过程中，需要进行分离的数据集具有三个先验条件：每个采集点的温度值之间是相互独立的；得到的分离矩阵为满秩矩阵；得到的数据集中至多只有一个信号为高斯分布函数，并通过分离的非高斯性度量来表示分离结果间的相互独立性，当非高斯性达到最大时，表示已完成ICA分离。
在ICA分离过程中，有线性可逆变换Y=WTX， WTX的负熵最大可近似通过E{g(WTX)}来进行优化获取。因为W为正交矩阵，所以，E{g(WTX)}的最优值能在满足公式的点上获得。
上述公式中，是一个恒定值，，是优化后的值。通过牛顿迭代法来解决这个等式，上述公式左边的函数用f表示，可以得到它的Jacobian矩阵：。由于数据被球化，即，所以，。因而雅可比矩阵变成了对角阵，并且能比较容易地求逆。因而可以得到下面的近似牛顿迭代公式：
上述公式中，是的新值，，规格化能提高解的稳定性。简化后就可以得到FastICA算法的迭代公式：
实际上，FICA中的期望必须由它们的估计值所取代，当然最好的估计是相应的样本均值。虽然所有的数据应该利用到，但是这并不是一种好方法，因为计算量可能要求太大，所以通常是用较少的样本估计出平均数，样本的数量在最后的估计上可能有不可忽视的影响。如果不满足收敛条件，可以增加样本的数量。
FICA算法的具体步骤描述如下：
① 随机选择初始权值向量w0，k=0；
② 利用式更新权值矢量wk+1；
③ 利用公式wk+1:wk+1/||wk+1||进行归一化；
④ 如果|wk+1-wk|>，算法不收敛，返回②，否则利用傅里叶算法的ICA算法估算出了一个独立分量，完成了所采集数据集的提取。
上述公式中为w的参数，w为解混矩阵。
如图4所示，为本实施例对某一变电站设备温度采集信息的去燥分离图，图4可知，由于智能变电站内监测设备主要分为一次设备和二次设备，一次设备主要包括主变压器及其附属设备、GIS设备、开关柜设备、接地变压器、站用变压器、动态无功补偿装置，其他附属设备如中性点接地隔离开关、中性点避雷器、零序电流互感器等。二次设备有主要包括综合自动化设备，如线路保护测控柜，主变压器保护测控柜，电能计量屏，频率电压紧急控制装置，电能质量监测柜，二次安防设备等等，大量温度传感器探头布置于这些设备表面，进行温度感应。每个传感器里都内嵌了无线通信模块，借助微功率无线通信技术，与距离最近的采集器通信，不同的采集器之间通过无线mesh拓扑方式和网络层集中器网关相连，网关通过光纤以太网方式和控制室内的控制中心相连，上传采集的实时温度数据到控制中心。
而本实施例中的智能变电站控制室的控制中心由大量数据库和服务器组成，应用层汇聚信息预处理软件及设备温度监测预警软件。信息预处理软件主要负责完成ICA信号的主成分分析提取。由于条件限制，本实施例为了验证其算法的可行性，采用计算机模拟产生的温度信号。温度传感器按一定得时间间隔（500s）在线采样设备触点模拟温度，应用幅移键控（ASK）来模拟温度信号进行试验。以1s为采样频率，采样点为500，取两个监测点1,2数据为原始信号，分离时以监测点1为主成分，监测点2视为干扰信号，试验环境在在Windows XP下，用matlab7.1.0运行仿真实验，混合数据图形如图4a所示，设备温度的范围在-10℃—110℃之间跳变。经过ICA算法后，可以将两个监测点温度还原，在分离之前先进行预处理，去均值和白话处理，是从观测信号中减去信号的均值向 量从而使 x 成为一个均值为零的变量，即对它进行中心化。当然，并不是所有的数据都要进行中心化处理,因为x与y是线性关系,所以y也是零均值的。接下来用 FICA 算法对信号进行训练，分离后的图形如图4b所示，很明显，上面的为监测点1的温度信号，下面的为高斯白噪声信号监测点2的信号。虽然分离出的信号和源信号有一定差别，但是从波形整体形状上来看是大致一致的，说明ICA 算法分离的健壮性很强，使图形吻合度提高
（四）预警诊断：站控制室的控制中心利用贝叶斯算法对步骤（三）中处理好的数据进行分析，通过数据分类、关联和预测的方法，对历史数据训练建模以及集成工作人员现有的经验得到策略，输出相应的预警信号。
预警诊断方法是根据统计学原理，相邻观测值之间的依赖性，揭示序列的结构与规律。对采集的温度数据进行预处理，主要完成了数据清理、数据集成和转换、数据降维、数据离散化等工作，进而通过贝叶斯算法对数据进行分析，通过数据分类、关联和预测的思想方法，对历史数据训练建模以及集成现有的经验得到策略。该历史数据为已知类型标号、含有当前运行状态信息的数据，类型标号值等。数据分析对含有当前运行状态信息的实时数据流进行分析，得到类型标号，如果类型标号显示为某种故障，则发出报警。本实施例采用贝叶斯算法对处理好的原始数据进行关联预测，所述的贝叶斯算法是基于统计学的一种数据挖掘算法，其核心观点是：在关于事件A的任何统计推断问题中，除了使用样本信息X所提供的信息数据除外，还必须对事件A预先预定一个先验分布，它可以是预测者根据自己的经验来确定，也可以是预测者根据自己的主观认识来确定。在进行统计推断时，先验概率分布是不可或缺的一个重要要素。图3为贝叶斯算法的故障预测流程图，包括以下步骤：
ⅰ）建立温度模型。
ⅱ）预处理模型参数。
ⅲ）参数带入模型，进行故障预测。本步骤中利用贝叶斯公式将主观认识与先验信息综合，得到后验信息，后验信息不仅体现主观认识还有先验信息。而利用贝叶斯算法进行预测的过程为：设温度的初始状态的概率分布和k-1时刻的概率分布分别为：，Xk只与Xk-1有关，得到：
式中不包含yk的先验分布，由系统的状态转移概率分布来计算；
所述步骤ⅵ）更新后验分布参数的过程为：利用最新观测变量yk和先验分布推导，由贝叶斯公式可得：
由于和， 把上述两式代入贝叶斯公式，可得：
再根据条件概率分布、联合概率分布和贝叶斯公式
代入可得到。
ⅳ）在线采集温度，更新温度；
ⅴ）得到此时刻温度分布；
ⅵ）结合此时刻温度分布、温度总体分布、温度先验分布，依据观测值预测此时刻后验分布。
图5所示为本实施例的指标评价体系图，即经过本实施例计算处理后各个设备的温度信息与其相对应的实际风险。根据图5给出的信息，则可以利用本实施例判断变电站各个设备的运行情况，并采取相应的措施即可。
Claims (8)
1.一种基于ICA算法的智能变电站设备状态预警方法，其特征在于：它包括以下步骤：
（一） 信息数据采集：设于变电站内的无线监测系统通过贴于一次/二次设备附近的温度传感器采集各类设备的温度信息；
（二）信息数据传送：采集的温度信息通过微功率无线通信上传至与变电站最近的采集器，再由采集器通过集中器网关、经过光纤或以太网传送至站内控制室的控制中心；
（三）信息数据处理：控制室的控制中心实时读取采集器传送来的数据集，并利用ICA算法对采集的数据集进行清理、数据集成和转换、数据降维，数据离散化等工作；
（四）预警诊断：站控制室的控制中心利用贝叶斯算法对步骤（三）中处理好的数据进行分析，通过数据分类、关联和预测的方法，对历史数据训练建模，以及集成工作人员现有的经验得到策略，输出相应的预警信号。
2.根据权利要求1所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤（三）包括以下步骤：
1）数据预处理：控制室的控制中心对接收到的观测数据进行去均值或加上均值向量后得到正确的源信号波形估计；然后利用白化法去除数据间的相关性；
2）进入ICA主算法：控制室的控制中心利用傅里叶算法，以负熵最大作为搜寻方向对预处理后的数据进行快速收敛，并通过非高斯性度量来表示分离结果间的相互独立性，当非高斯性达到最大时，完成ICA分离。
3.根据权利要求2所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤1）对数据预处理后得到的数据信号集必须满足每个采集点的温度值之间是相互独立的、得到的分离矩阵为满秩矩阵、得到的数据集中至多只有一个信号为高斯分布函数三个先验条件。
4.根据权利要求2或3所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤2）中利用傅里叶算法进行ICA分离包括依次进行的以下步骤：
①随机选择初始权值向量；
②利用公式更新权值向量；
③利用公式wk+1:wk+1/||wk+1||进行归一化；
④如果|wk+1-wk|>，则算法不收敛，返回步骤②，否则利用傅里叶算法的ICA算法估算出了一个独立分量，完成了所采集数据集的提取。
5.根据权利要求1至3中任意一项所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤（四）中利用的贝叶斯算法包括依次进行的以下步骤：
ⅰ）建立温度模型；
ⅱ）预处理模型参数；
ⅲ）参数带入模型，进行故障预测；
ⅳ）在线采集温度，更新温度；
ⅴ）得到此时刻温度分布；
ⅵ）结合此时刻温度分布、温度总体分布、温度先验分布，依据观测值预测此时刻后验分布。
6.根据权利要求4所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤（四）中利用的贝叶斯算法包括依次进行的以下步骤：
ⅰ）建立温度模型；
ⅱ）预处理模型参数；
ⅲ）参数带入模型，进行故障预测；
ⅳ）在线采集温度，更新温度；
ⅴ）得到此时刻温度分布；
ⅵ）结合此时刻温度分布、温度总体分布、温度先验分布，依据观测值预测此时刻后验分布。
7.根据权利要求5所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤ⅲ）中利用贝叶斯算法进行预测的过程为：设温度的初始状态的概率分布和k-1时刻的概率分布分别为：，Xk只与Xk-1有关，得到：
式中不包含yk的先验分布，由系统的状态转移概率分布来计算；
所述步骤ⅵ）更新后验分布参数的过程为：利用最新观测变量yk和先验分布推导，由贝叶斯公式可得：
由于和， 把上述两式代入贝叶斯公式，可得：
再根据条件概率分布、联合概率分布和贝叶斯公式
代入可得到。
8.根据权利要求6所述的基于ICA算法的智能变电站设备状态预警方法，其特征在于：所述步骤ⅲ）中利用贝叶斯算法进行预测的过程为：设温度的初始状态的概率分布和k-1时刻的概率分布分别为：， Xk只与Xk-1有关，得到：
式中不包含yk的先验分布，由系统的状态转移概率分布来计算；
所述步骤ⅵ）更新后验分布参数的过程为：利用最新观测变量yk和先验分布推导，由贝叶斯公式可得：
由于和， 把上述两式代入贝叶斯公式，可得：
再根据条件概率分布、联合概率分布和贝叶斯公式
代入可得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610309884.8A CN105932774B (zh) | 2016-05-11 | 2016-05-11 | 基于ica算法的智能变电站设备状态预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610309884.8A CN105932774B (zh) | 2016-05-11 | 2016-05-11 | 基于ica算法的智能变电站设备状态预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105932774A true CN105932774A (zh) | 2016-09-07 |
| CN105932774B CN105932774B (zh) | 2019-01-29 |
Family
ID=56834639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610309884.8A Active CN105932774B (zh) | 2016-05-11 | 2016-05-11 | 基于ica算法的智能变电站设备状态预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105932774B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106877503A (zh) * | 2017-03-15 | 2017-06-20 | 国家电网公司 | 二次设备智能运维系统中的风险识别与预警方法 |
| CN107634988A (zh) * | 2017-08-25 | 2018-01-26 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的变电站故障诊断的方法及服务器 |
| CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
| CN108009283A (zh) * | 2017-12-22 | 2018-05-08 | 无线生活（杭州）信息科技有限公司 | 一种问题分析方法及装置 |
| CN108306756A (zh) * | 2017-12-21 | 2018-07-20 | 国网北京市电力公司 | 一种基于电力数据网全息评估系统及其故障定位方法 |
| CN109491339A (zh) * | 2018-11-16 | 2019-03-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的变电站设备运行状态预警系统 |
| CN109902735A (zh) * | 2019-02-22 | 2019-06-18 | 武汉格蓝若智能技术有限公司 | 一种实现变电站内三相电压互感器运行误差评估的二范数独立成分分析方法 |
| CN110929951A (zh) * | 2019-12-02 | 2020-03-27 | 电子科技大学 | 一种用于电网告警信号的关联分析和预测方法 |
| CN112215410A (zh) * | 2020-09-24 | 2021-01-12 | 国网福建省电力有限公司 | 基于改进深度学习的电力负荷预测方法 |
| CN112241922A (zh) * | 2020-09-07 | 2021-01-19 | 国网浙江省电力有限公司经济技术研究院 | 基于改进朴素贝叶斯分类的电网资产综合价值评估方法 |
| CN114301169A (zh) * | 2021-12-03 | 2022-04-08 | 广西电网有限责任公司北海供电局 | 一种变电站直流故障评估诊断系统 |
| CN114660418A (zh) * | 2022-05-24 | 2022-06-24 | 国网山西省电力公司大同供电公司 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
| CN114692386A (zh) * | 2022-01-26 | 2022-07-01 | 天津大学 | 一种面向工业母线的运行状态异常监控方法 |
| CN116149899A (zh) * | 2023-04-20 | 2023-05-23 | 霖济智云科技(苏州)有限公司 | 获取平台故障成因的方法及平台故障自动检查处置方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002345175A (ja) * | 2001-05-14 | 2002-11-29 | Toko Seiki Co Ltd | 送電線路の監視制御方法及び監視制御システム |
| CN103197177A (zh) * | 2013-03-20 | 2013-07-10 | 山东电力集团公司济宁供电公司 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
| CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
| CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
| CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
-
2016
- 2016-05-11 CN CN201610309884.8A patent/CN105932774B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002345175A (ja) * | 2001-05-14 | 2002-11-29 | Toko Seiki Co Ltd | 送電線路の監視制御方法及び監視制御システム |
| CN103197177A (zh) * | 2013-03-20 | 2013-07-10 | 山东电力集团公司济宁供电公司 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
| CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
| CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
| CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106877503A (zh) * | 2017-03-15 | 2017-06-20 | 国家电网公司 | 二次设备智能运维系统中的风险识别与预警方法 |
| CN107634988A (zh) * | 2017-08-25 | 2018-01-26 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的变电站故障诊断的方法及服务器 |
| CN107733089A (zh) * | 2017-11-10 | 2018-02-23 | 国网福建省电力有限公司 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
| CN108306756B (zh) * | 2017-12-21 | 2021-03-30 | 国网北京市电力公司 | 一种基于电力数据网全息评估系统及其故障定位方法 |
| CN108306756A (zh) * | 2017-12-21 | 2018-07-20 | 国网北京市电力公司 | 一种基于电力数据网全息评估系统及其故障定位方法 |
| CN108009283A (zh) * | 2017-12-22 | 2018-05-08 | 无线生活（杭州）信息科技有限公司 | 一种问题分析方法及装置 |
| CN109491339A (zh) * | 2018-11-16 | 2019-03-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于大数据的变电站设备运行状态预警系统 |
| CN109902735A (zh) * | 2019-02-22 | 2019-06-18 | 武汉格蓝若智能技术有限公司 | 一种实现变电站内三相电压互感器运行误差评估的二范数独立成分分析方法 |
| CN110929951B (zh) * | 2019-12-02 | 2022-04-19 | 电子科技大学 | 一种用于电网告警信号的关联分析和预测方法 |
| CN110929951A (zh) * | 2019-12-02 | 2020-03-27 | 电子科技大学 | 一种用于电网告警信号的关联分析和预测方法 |
| CN112241922B (zh) * | 2020-09-07 | 2024-03-05 | 国网浙江省电力有限公司经济技术研究院 | 基于改进朴素贝叶斯分类的电网资产综合价值评估方法 |
| CN112241922A (zh) * | 2020-09-07 | 2021-01-19 | 国网浙江省电力有限公司经济技术研究院 | 基于改进朴素贝叶斯分类的电网资产综合价值评估方法 |
| CN112215410B (zh) * | 2020-09-24 | 2023-01-10 | 国网福建省电力有限公司 | 基于改进深度学习的电力负荷预测方法 |
| CN112215410A (zh) * | 2020-09-24 | 2021-01-12 | 国网福建省电力有限公司 | 基于改进深度学习的电力负荷预测方法 |
| CN114301169A (zh) * | 2021-12-03 | 2022-04-08 | 广西电网有限责任公司北海供电局 | 一种变电站直流故障评估诊断系统 |
| CN114692386A (zh) * | 2022-01-26 | 2022-07-01 | 天津大学 | 一种面向工业母线的运行状态异常监控方法 |
| CN114692386B (zh) * | 2022-01-26 | 2024-02-06 | 天津大学 | 一种面向工业母线的运行状态异常监控方法 |
| CN114660418A (zh) * | 2022-05-24 | 2022-06-24 | 国网山西省电力公司大同供电公司 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
| CN114660418B (zh) * | 2022-05-24 | 2022-08-23 | 国网山西省电力公司大同供电公司 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
| CN116149899A (zh) * | 2023-04-20 | 2023-05-23 | 霖济智云科技(苏州)有限公司 | 获取平台故障成因的方法及平台故障自动检查处置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105932774B (zh) | 2019-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105932774A (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
| CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| CN108053110A (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
| Kankanala et al. | Regression models for outages due to wind and lightning on overhead distribution feeders | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN106908668A (zh) | 一种实测地面合成电场数据的处理方法及系统 | |
| Guder et al. | Data mining framework for power quality event characterization of iron and steel plants | |
| CN114137358B (zh) | 一种基于图卷积神经网络的输电线路故障诊断方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN113708350B (zh) | 一种基于云边协同的配电台区重过载异常判断方法及系统 | |
| CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
| CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN106845763B (zh) | 一种电网可靠性分析方法和装置 | |
| CN111781467B (zh) | 一种基于多维全景数据的电网故障智能判别方法 | |
| Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution network | |
| CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
| Yu et al. | Improvement on application of gray correlation analysis in intelligent transformer area recognition | |
| Priyadarshi et al. | Bad data detection and multi-level classification of events in synchrophasor measurements using AXGBoost algorithm | |
| CN115598582B (zh) | 一种分布式互感器在线监测方法、系统、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |