CN107248004A - 一种用于线路故障预测的时序数据粒度统一转换方法 - Google Patents
一种用于线路故障预测的时序数据粒度统一转换方法 Download PDFInfo
- Publication number
- CN107248004A CN107248004A CN201610574836.1A CN201610574836A CN107248004A CN 107248004 A CN107248004 A CN 107248004A CN 201610574836 A CN201610574836 A CN 201610574836A CN 107248004 A CN107248004 A CN 107248004A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- line fault
- time series
- unifies
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种用于线路故障预测的时序数据粒度统一转换方法,主要涉及线路故障多粒度时序数据的时间跨度选择原则、线路故障时序数据的粒度标准化方法。时间跨度选择原则确定了多粒度数据的时间范围,决定了时间粒度标准化方法的数据输入。本发明提出的趋势判断方法准确描述了各属性序列随时间变化的起伏程度与变化趋势,较好地保证了原始数据特征的完整性。
Description
技术领域
本发明涉及一种用于线路故障预测的时序数据粒度统一转换方法。
背景技术
架空输电线路常年暴露于野外,经常遭受各种恶劣的自然环境和自然灾害的侵蚀,对其安全运行造成不同程度的损害,导致线路跳闸和局部范围的供电中断。为了寻找线路跳闸的规律,发现其与临近时刻不同状态量的关系,需要提供一种不同时间粒度数据的特征表示方法,以实现不同时间粒度数据的同平面分析。这里的时间粒度指的是时序数据的采集周期或者采集间隔。
线路跳闸相关数据目前收集的状态量有跳闸时刻的故障描述(相别、进侧开关(高)、出侧开关(低)、故障地点、故障原因和重合是否成功),线路台账数据(设备ID、设备编码、线路名称、电压等级、所属地市、投运日期、架设方式、线路性质、线路总长度、电压等级、最大允许电流等),雷电数据、实时气象数据(风向、风速、阵风风向、阵风风速、降水量、相对湿度、温度、气压、能见度、推送时间、预报时间(发布时间)、入库时间、极大风风向、极大风风速)、之前1小时的负荷数据(量测设备、推送时间、电流、有功功率、无功功率)和年平均荷电率数据等。
线路跳闸时刻相关数据的采集间隔相差较大,其中负荷数据5分钟一次,实时气象数据10分钟一次,雷电数据的时间间隔不确定,故障数据、台账数据和年平均荷电率一般不做更新。若要寻找各个状态量对线路故障可能造成的影响,需要首先将各维度数据统一到统一粒度上。
发明内容
本发明为了解决上述问题,提出了一种用于线路故障预测的时序数据粒度统一转换方法,本发明能够实现线路故障相关数据的同平面分析,并准确描述了各属性序列随时间变化的起伏程度与变化趋势,较好地保证了原始数据特征的完整性。
为了实现上述目的,本发明采用如下技术方案:
一种用于线路故障预测的时序数据粒度统一转换方法,包括以下步骤:
(1)根据数据和线路故障类型,确定不同的时间跨度;
(2)确定电流、有功功率和无功功率属性取值时间范围,计算雷电数据和负荷数据的最大值、最小值和平均值;
(3)计算负荷各属性的变化因子参数,计算时间跨度范围内各属性的极值点;
(4)根据变化因子和极值点,对曲线的趋势进行判断,描述各属性序列随时间变化的起伏程度与变化趋势;
(5)将不同的趋势类别分别对属性值进行符号化描述,作为新的状态量记录进故障样本中。
所述步骤(1)中,对不同类数据设置不同的时间跨度,具体包括:线路台账数据选择距离故障发生前最近的一条数据;雷电系统的数据选择故障发生前t0和之后t1的数据;气象系统的数据选择故障发生前t0和之后t1的数据,负荷数据选择故障发生之前设定时间的电流、有功功率和无功功率数据。
所述步骤(1)中,若只有一条数据,则时间粒度已经标准化。
所述步骤(2)中,对于雷电系统数据,若前面规定的时间跨度选择范围内没有产生雷电数据,则单属性直接设置为0;若前面规定的时间跨度选择范围内发生多次雷电数据,则将该时间段内的雷电数据的最大值、最小值和平均值记录为一条数据,即将时间序列的一系列单属性样本缩减到一个时间维度上的三个数值,完成时间粒度的标准化。
所述步骤(3)中,分别计算负荷数据的三个属性的变化因子参数,包括首端变化因子和尾端变化因子。
所述步骤(4)中,根据变化因子和极值点,进行判断,并归为不同形态的曲线的趋势,具体判断内容包括:判断该段时间有无极值点、极值点数目和各属性首尾端变化因子的差值ΔI。
所述步骤(4)中,八种曲线趋势,分别是①略微上升;②略微下降;③明显上升;④明显下降;⑤先下降后上升;⑥先上升后下降;⑦总体上升;⑧总体下降。
所述步骤(4)中,首先判断该段时间有无极值点,若无极值点则归类到①-④类趋势;若该段时间有1个极值点,则归类到⑤-⑥类,若该极值点为极大值则判断为⑤,若该极值点为极小值则判断为⑥;若该段时间有2个极值点,则归类到⑦-⑧类;若该段时间段有2个以上的极值点,则将时间序列进一步分段,分段后重新判断是否有极值点。
所述步骤(4)中,若0<|ΔI|<δ则确定为略微变化趋势,若|ΔI|≥δ则确定为明显变化趋势,其中δ按照该状态量一年中变化差值来确定,是判断变化趋势为“略微”或“明显”的条件。若ΔI<0则判断为上升趋势,若ΔI>0则判断为下降趋势。
本发明的有益效果为:
(1)本发明给出一种用于线路故障预测的时序数据粒度统一转换方法,实现了线路故障相关数据的同平面分析;
(2)本发明提出的趋势判断方法准确描述了各属性序列随时间变化的起伏程度与变化趋势,较好地保证了原始数据特征的完整性。
附图说明
图1(a)-图1(h)为时间序列数据趋势各类的示意图;
图2为本发明的流程示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
本发明是一种用于线路故障预测的时序数据粒度统一转换方法,用于实现多粒度时序数据的同平面分析。
本发明主要涉及线路故障多粒度时序数据的时间跨度选择原则、线路故障时序数据的粒度标准化方法。时间跨度选择原则确定了多粒度数据的时间范围,决定了时间粒度标准化方法的数据输入。
线路故障多粒度时序数据的时间跨度选择原则
线路故障的发生与之前一段时间的状态量紧密相关。本发明结合不同类型数据的特征和线路故障分析案例,为各类数据设置不同的时间跨度。
线路台账数据选择距离故障发生前最近的一条数据。
雷电系统的数据选择故障发生前10分钟和之后2分钟的数据。推后2分钟的目的是为了涵盖时钟不一致而产生的误差。
气象系统的数据选择故障发生前10分钟和之后2分钟的数据。推后2分钟的目的是为了涵盖时钟不一致而产生的误差。
负荷数据选择故障发生之前1小时的电流、有功功率和无功功率数据。
线路故障时序数据的多粒度标准化方法
线路台账数据只有一条记录,时间粒度已经标准化。
对于气象数据,一条线路有可能覆盖两个及以上气象大监站。从故障点所在的气象大监站选择距离故障发生时间前最近的实时气象数据。气象系统的实时数据为10分钟一次,而前面的时间跨度选择原则决定了仅有一条记录,时间粒度已经标准化。
对于雷电系统数据,若前面规定的时间跨度选择范围内没有产生雷电数据,则单属性直接设置为0;若前面规定的时间跨度选择范围内发生多次雷电数据,则将该时间段内的雷电数据的最大值、最小值和平均值记录为一条数据,即将时间序列的一系列单属性样本缩减到一个时间维度上的三个数值,完成时间粒度的标准化。
对于负荷数据,其每5分钟产生一条数据,包括电流、有功功率、无功功率三个属性。
首先,对于电流、有功功率、无功功率,分别计算前面规定时间跨度范围内三者的平均值、最大值和最小值,并记录为一条数据;
为了准确描述负荷数据的细微变化、弥补仅使用平均值、最大值和最小值描述的缺陷,本发明还提出一种基于趋势特征的时间粒度标准化方法。具体描述如下:
首先,分别计算三个属性的变化因子参数,包括首端变化因子和尾端变化因子。以电流序列为例,若电流序列表示为I={i1,i2,...,in},则计算其平均值为计算首端变化因子和尾端变化因子,分别表示为和
第二,计算前面规定时间跨度范围内各属性的极值点。极值点包括极大点和极小点。以电流序列为例,如果电流值ij满足下列条件之一:当1<j<n时,若存在下标r和t并且1≤r<j<t≤n使得ij是ir,...,it中的最小值;当j=1时,若存在下标r并且j<r≤n时的ij是i1,...,ir中的最小值;当j=n时,若存在下标t并且1≤t<j时的ij是it,...,in中的最小值。则定义该电流值ij为极小值点。极大点与极小点定义类似。
第三,根据变化因子和极值点,对曲线的趋势进行判断。本发明考虑八种曲线趋势,分别是①略微上升;②略微下降;③明显上升;④明显下降;⑤先下降后上升;⑥先上升后下降;⑦总体上升;⑧总体下降。具体如图1(a)-图1(h)所示。
趋势判断方法为:
i首先判断该段时间有无极值点,若无极值点则归类到①-④类趋势;若该段时间有1个极值点,则归类到⑤-⑥类,若该极值点为极大值则判断为⑤,若该极值点为极小值则判断为⑥;若该段时间有2个极值点,则归类到⑦-⑧类。
ii若该段时间段有2个以上的极值点,则将时间序列进一步分段,分段后回到i步。此时,将其他只有一条记录的属性值进行复制,扩展到与该属性一样样本数量的大小。
iii计算各属性首尾端变化因子的差值ΔI=ΔIs-ΔIe。
iv通过i步确定了①-④类范围后,若0<|ΔI|<δ则确定为略微变化趋势,若|ΔI|≥δ则确定为明显变化趋势,其中δ按照该状态量一年中变化差值的20%确定,是判断变化趋势为“略微”或“明显”的条件。若ΔI<0则判断为上升趋势,若ΔI>0则判断为下降趋势。
v通过i步确定了⑦-⑧范围后,若ΔI<0则判断为总体上升趋势,若ΔI>0则判断为总体下降趋势。
最后,当趋势判断完成后,将八类趋势类别分别使用1-8对属性值进行符号化描述,作为新的状态量记录进故障样本中。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:包括以下步骤:
(1)根据数据和线路故障类型,确定不同的时间跨度;
(2)确定电流、有功功率和无功功率属性取值时间范围,计算雷电数据和负荷数据的最大值、最小值和平均值;
(3)计算负荷各属性的变化因子参数,计算时间跨度范围内各属性的极值点;
(4)根据变化因子和极值点,对曲线的趋势进行判断,描述各属性序列随时间变化的起伏程度与变化趋势;
(5)将不同的趋势类别分别对属性值进行符号化描述,作为新的状态量记录进故障样本中。
2.如权利要求1所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(1)中,对不同类数据设置不同的时间跨度,具体包括:线路台账数据选择距离故障发生前最近的一条数据;雷电系统的数据选择故障发生前t0和之后t1的数据;气象系统的数据选择故障发生前t0和之后t1的数据,负荷数据选择故障发生之前设定时间的电流、有功功率和无功功率数据。
3.如权利要求1所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(1)中,若只有一条数据,则时间粒度已经标准化。
4.如权利要求1所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(2)中,对于雷电系统数据,若前面规定的时间跨度选择范围内没有产生雷电数据,则单属性直接设置为0;若前面规定的时间跨度选择范围内发生多次雷电数据,则将该时间段内的雷电数据的最大值、最小值和平均值记录为一条数据,即将时间序列的一系列单属性样本缩减到一个时间维度上的三个数值,完成时间粒度的标准化。
5.如权利要求1所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(3)中,分别计算负荷数据的三个属性的变化因子参数,包括首端变化因子和尾端变化因子。
6.如权利要求1所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(4)中,根据变化因子和极值点,进行判断,并归为不同形态的曲线的趋势,具体判断内容包括:判断该段时间有无极值点、极值点数目和各属性首尾端变化因子的差值ΔI。
7.如权利要求6所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(4)中,八种曲线趋势,分别是①略微上升;②略微下降;③明显上升;④明显下降;⑤先下降后上升;⑥先上升后下降;⑦总体上升;⑧总体下降。
8.如权利要求7所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(4)中,首先判断该段时间有无极值点,若无极值点则归类到①-④类趋势;若该段时间有1个极值点,则归类到⑤-⑥类,若该极值点为极大值则判断为⑤,若该极值点为极小值则判断为⑥;若该段时间有2个极值点,则归类到⑦-⑧类;若该段时间段有2个以上的极值点,则将时间序列进一步分段,分段后重新判断是否有极值点。
9.如权利要求7所述的一种用于线路故障预测的时序数据粒度统一转换方法,其特征是:所述步骤(4)中,若0<|ΔI|<δ则确定为略微变化趋势,若|ΔI|≥δ则确定为明显变化趋势,其中δ按照该状态量一年中变化差值来确定,若ΔI<0则判断为上升趋势,若ΔI>0则判断为下降趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574836.1A CN107248004B (zh) | 2016-07-20 | 2016-07-20 | 一种用于线路故障预测的时序数据粒度统一转换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610574836.1A CN107248004B (zh) | 2016-07-20 | 2016-07-20 | 一种用于线路故障预测的时序数据粒度统一转换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248004A true CN107248004A (zh) | 2017-10-13 |
CN107248004B CN107248004B (zh) | 2020-02-14 |
Family
ID=60016328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610574836.1A Active CN107248004B (zh) | 2016-07-20 | 2016-07-20 | 一种用于线路故障预测的时序数据粒度统一转换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248004B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025660A (ja) * | 2011-07-25 | 2013-02-04 | Fuji Xerox Co Ltd | 故障予測装置及びプログラム |
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
CN105205111A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种挖掘时序数据故障模式的系统及方法 |
CN105574669A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 时空联合数据聚类分析的输变电设备状态异常检测方法 |
US20160146709A1 (en) * | 2014-11-21 | 2016-05-26 | Satyadeep Dey | System for preparing time series data for failure prediction |
-
2016
- 2016-07-20 CN CN201610574836.1A patent/CN107248004B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025660A (ja) * | 2011-07-25 | 2013-02-04 | Fuji Xerox Co Ltd | 故障予測装置及びプログラム |
CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
US20160146709A1 (en) * | 2014-11-21 | 2016-05-26 | Satyadeep Dey | System for preparing time series data for failure prediction |
CN105205111A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种挖掘时序数据故障模式的系统及方法 |
CN105574669A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 时空联合数据聚类分析的输变电设备状态异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248004B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
CN104123682B (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
Wang et al. | Time‐varying failure rate simulation model of transmission lines and its application in power system risk assessment considering seasonal alternating meteorological disasters | |
US20140172329A1 (en) | System and method for wind generation forecasting | |
CN105631578A (zh) | 一种面向风险评估的输变电设备故障概率模型的建模方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN109740195B (zh) | 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法 | |
CN104616075A (zh) | 一种适合于台风天气下的短期负荷预测方法 | |
CN103048573A (zh) | 一种用于电力系统运行风险评估的方法及装置 | |
CN106203800A (zh) | 一种配电网运行可靠性指标提取方法 | |
CN111814407B (zh) | 一种基于大数据和深度学习的洪水预报方法 | |
CN112801428B (zh) | 一种基于概率预警的落雷损失预防控制方法 | |
CN105095668B (zh) | 基于亚洲极涡因子的电网覆冰长期预报方法 | |
CN106529741B (zh) | 一种基于空间相关特征的超短期风电功率预测方法 | |
CN112818260A (zh) | 实时天气感知与推送方法、系统、共享单车、终端、介质 | |
CN106530841B (zh) | 机场延误预测方法及装置 | |
KR20170025709A (ko) | 황사와 연무 통합 예측 및 검증 방법 및 시스템 | |
CN103093044A (zh) | 输电线路覆冰舞动分布图测绘方法 | |
Fanucchi et al. | Failure rate prediction under adverse weather conditions in an electric distribution system using negative binomial regression | |
Jose et al. | Weather dependency of electricity demand: A case study in warm humid tropical climate | |
CN111967661B (zh) | 机场跑道运行方向的决策方法、系统、存储介质和设备 | |
CN107248004A (zh) | 一种用于线路故障预测的时序数据粒度统一转换方法 | |
CN109829572B (zh) | 雷电气候下的光伏发电功率预测方法 | |
CN107590022B (zh) | 一种用于建筑能耗分项计量的仪表采集数据修复方法 | |
CN104915787A (zh) | 设备故障率修正及配电网可靠性评估的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |