CN108320043B - 一种基于电力大数据的配电网设备状态诊断预测方法 - Google Patents

Abstract

本发明公开了一种基于电力大数据的配电网设备状态诊断预测方法，属于电力系统数据库技术领域。本发明获取配电网设备相关的全息时标量测数据，视全息时标量测数据的状况进行数据预处理，提取特征量数据作为反应配电网设备健康状态的状态量指标，对配电网设备的状态进行诊断和预测，结合配电网设备的状态评分和可能发生的故障情况，给出决策建议，建立检修安排计划并提交。本发明能够发现配电网设备的薄弱环节，快速定位故障并给出处理意见，同时能够预测可能故障的发生，对于减少故障发生和提高故障处理效率，保证供电安全。

Description

一种基于电力大数据的配电网设备状态诊断预测方法

技术领域

本发明属于电力系统数据库技术领域，更准确地说，本发明涉及一种基于电力大数据的配电网设备状态诊断预测方法。

背景技术

配电网作为从输电网接受电能分配到配电所后再向用户供电的网络，是保证社会发展的重要基础设施。对配电网的主要要求是保证供电的连续可靠性，电能数据质量合格以及运行的经济性。

但是，现有配电网调度主要对设备量测数据使用固定周期采集方式，数据采集不完整，忽略了中间状态，同时，配电网设备辅助分析系统建设不健全，对设备运行状态的评价和分析能力有所欠缺，不能及时掌握和诊断设备的现时运行状况以及预测未来可能发生的风险。显然，如能对配电网设备运行数据进行全息采集，并在此基础上对数据进行科学合理地分析和评估，辅助配电网检修人员提高设备检修的针对性，在劣化设备发生故障前及时发现并解决问题从而保证配电系统供电的安全性和可靠性，则能有效提高供电安全的水平。

发明内容

本发明目的是：针对现有技术中的不足，提出一种基于电力大数据的配电网设备状态诊断预测方法。该方法基于全息时标量测数据，能够解决配电网设备状态诊断和预测困难的问题。

具体地说，本发明是采用以下技术方案实现的，包括以下步骤：

1)获取配电网设备相关的全息时标量测数据，视全息时标量测数据的状况进行数据预处理，提取特征量数据作为反应配电网设备健康状态的状态量指标；

2)对配电网设备的状态进行诊断，得到配电网设备的状态评分；

3)通过配电网设备故障预测模型，对配电网设备可能发生的故障情况进行预测；

4)结合配电网设备的状态评分和可能发生的故障情况，给出决策建议，建立检修安排计划并提交。

进一步而言，所述步骤1)中的全息时标量测数据是从时间序列数据库系统获取的，所述时间序列数据库系统与配电网管理系统集成在一起。

进一步而言，所述步骤1)中的数据预处理，包括数据类型转换、对电力特征参数进行标号、讲电力运行数据转换成浮点数、数据清洗、缺省值处理、数据集成以及对明显错漏数据进行加权平均补全。

进一步而言，所述步骤1)中提取特征量数据作为反应配电网设备健康状态的状态量指标，包括以下步骤：

设配电网设备的故障类型为N种，进行电力特征参数及运行参数的历史数据与N种故障类型的相关性分析，计算电力特征参数及运行参数的相关性显著性水平；

按照与发生故障的时间距离，筛选出相关性显著性水平超过预设的相关性显著性水平门槛值的电力特征参数及运行参数，组成N种故障类型的相关参数，设筛选出的电力特征参数及运行参数为m个，组成向量X:(x₁,x₂…,x_m)；

在向量X:(x₁,x₂…,x_m)中取出实际输出与期望输出之间差值小于设置误差的p个参数，设这p个参数为X_i,i＝1,2…p，则X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p构成特征量数据，其中T_i,i＝1,2…p为对应的故障发生率，取0到1之间的值，S_i,i＝1,2…p为故障类型，取1到N之间的值。

进一步而言，所述步骤2)的具体方法如下：

将配电网设备状态量指标的状态分为四种状态，分别为正常、注意、异常以及严重，每种状态对应着不同的指标得分系数；

设某个配电网设备对应n种状态量指标，则该配电网设备的第i种状态量指标的指标得分M_i＝100×k_i，k_i代表第i种状态量指标的状态对应的得分系数，使得M_i为百分制；每种状态量指标根据对该配电网设备的运行的影响程度不同拥有不同的权重值C_i；

如果该配电网设备有某一种或者几种状态量指标的状态属于异常或严重，则该设备最终的得分M为所有状态指标的指标得分的最低分，M＝Min(M_i)，如果该配电网设备的每种状态量指标的状态都属于正常或注意，则该配电网设备的最终得分为所有状态量指标的指标得分的加权和。

进一步而言，所述步骤3)中的配电网设备故障预测模型，采用BP神经网络模型，以特征量数据X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p中的p个电力特征参数及运行参数作为配电网设备故障级别预测模型的输入，对应的故障发生率及故障类型为配电网设备故障级别预测模型的输出，根据不同时间的历史数据采用BP神经网络梯度下降算法对配电网设备故障级别预测模型进行训练。

通过采用上述技术方案，本发明取得了下述技术效果：本发明研究了基于电力大数据全息时标量测数据技术的电力故障预测方法，采用相关性筛选技术，得到与故障相关性强的参数，通过神经网络BP梯度下降学习算法、实现了设备状态诊断和预测，能够对设备故障进行评估和预警分析，从而及时发现配电网中的薄弱环节，为保障配电网设备的安全稳定运行提供了有效手段。总而言之，本发明能够发现配电网设备的薄弱环节，快速定位故障并给出处理意见，同时能够预测可能故障的发生，对于减少故障发生和提高故障处理效率，保证供电安全。

附图说明

图1为本发明实施例的数据存储示意图。

图2为本发明实施例的方法流程图。

图3为本发明实施例的配电网设备故障预测模型建立前的聚类分析示意图。

具体实施方式

下面参照附图对本发明作进一步详细描述。

本实施例为本发明的一种实施方式，公开了一种基于电力大数据的配电网设备状态诊断预测方法。

电力大数据，指与配电网设备相关的全息时标量测数据，来自于时间序列数据库系统。针对海量、实时和高频采集数据处理的时间序列数据库系统，具有非常高的存储速度、查询检索效率以及数据压缩比，可以有效的弥补关系数据库的不足，满足传统工业自动化以及新兴物联网、云计算等领域的海量并发数据实时处理的应用要求。

如图1所示，本实施例中时序数据库与配电网管理系统集成在一起，主要用于存储所有遥测遥信以及计算值历史的实时数据，采用变化即采样的方式记录下电网全息时标量测数据。数据来源主要包括实时采集的数据、人工置数以及计算数据等，时间序列数据库与配电网管理系统的集成是在每次配电网管理系统写内存实时库的同时把上述数据存入时间序列数据库，实现了量测数据的变化及存储。对时间序列数据库的存储、查询和管理进行封装，对外提供统一的访问接口，包含时间序列数据库状态监视、采样点定义、数据提交以及数据查询等等。

参加图2，本实施例的基于电力大数据的配电网设备状态诊断预测方法，包括以下步骤：

步骤1：获取配电网设备相关的全息时标量测数据，视全息时标量测数据的状况进行数据预处理，提取特征量数据作为反应配电网设备健康状态的状态量指标。

数据预处理，包括数据类型转换、对电力特征参数进行标号、讲电力运行数据转换成浮点数、数据清洗、缺省值处理、数据集成以及对明显错漏数据进行加权平均补全。

提取特征量数据作为反应配电网设备健康状态的状态量指标，包括以下步骤：

设配电网设备的故障类型为N种，进行电力特征参数及运行参数的历史数据与N种故障类型的相关性分析，计算电力特征参数及运行参数的相关性显著性水平；

按照与发生故障的时间距离，筛选出相关性显著性水平超过预设的相关性显著性水平门槛值(可取为0.08)的电力特征参数及运行参数，组成N种故障类型的相关参数，设筛选出的电力特征参数及运行参数为m个，组成向量X:(x₁,x₂…,x_m)；

在向量X:(x₁,x₂…,x_m)中取出实际输出与期望输出之间差值小于设置误差(可取为0.1％)的p个参数，设这p个参数为X_i,i＝1,2…p，则X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p构成特征量数据，其中T_i,i＝1,2…p为对应的故障发生率，取0到1之间的值，S_i,i＝1,2…p为故障类型，取1到N之间的值。

得到特征量数据后，结合厂站及配电网设备模型信息和设备历史告警信息，代入设备状态评估模型，对配电网设备的状态进行诊断和预测。设备状态评估模型包括配电网设备的状态诊断和配电网设备故障预测模型两个部分。厂站及配电网设备模型信息来自于配电网管理系统的内存库，设备历史告警信息来自于配电网管理系统的历史库。

步骤2：对配电网设备的状态进行诊断，得到配电网设备的状态评分。具体而言，步骤2的方法如下：

将配电网设备状态量指标的状态分为四种状态，分别为正常、注意、异常以及严重，每种状态对应着不同的指标得分系数；

设某个配电网设备对应n种状态量指标，则该配电网设备的第i种状态量指标的指标得分M_i＝100×k_i，k_i代表第i种状态量指标的状态对应的得分系数，使得M_i为百分制；每种状态量指标根据对该配电网设备的运行的影响程度不同拥有不同的权重值C_i，该权重值可通过熵权法计算得到。

如果该配电网设备有某一种或者几种状态量指标的状态属于异常或严重，则该设备最终的得分M为所有状态指标的指标得分的最低分，M＝Min(M_i)，如果该配电网设备的每种状态量指标的状态都属于正常或注意，则该配电网设备的最终得分为所有状态量指标的指标得分的加权和。

步骤3：通过配电网设备故障预测模型，对配电网设备可能发生的故障情况进行预测。

配电网设备故障预测模型，采用BP神经网络模型，以特征量数据X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p中的p个电力特征参数及运行参数作为配电网设备故障级别预测模型的输入，对应的故障发生率及故障类型为配电网设备故障级别预测模型的输出，根据不同时间的历史数据采用BP神经网络梯度下降算法对配电网设备故障级别预测模型进行训练。

参见图3，可以按照配电网设备属性特征进行K-means聚类分析，以负载率为主要特征，在完成分类后对于不同类型的设备的状态的分析评价采取相同的评价维度但不同权重的打分方式，即针对不同的分类建立不同的配电网设备故障预测模型，以实现对不同类型设备的运行状况的健康度诊断分析评估。

分类后，通过BP神经网络按照BP神经网络梯度下降学习算法对各种设备建立合理的配电网设备故障预测模型。模型利用包括负载率、过载率、线损、联络情况、终端在线率、遥信动作正确率等指标数据，结合同时段的故障发生率及故障类型(如跳闸、接地故障等)，相关数据通过以往发生故障时间从时间序列数据库获取。配电网设备故障预测模型建立完成后，获取当前配电网设备的状态信息数据，代入模型对该设备可能发生的故障进行预测。

步骤4：结合配电网设备的状态评分和可能发生的故障情况，给出决策建议，建立检修安排计划并提交。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (3)

1.一种基于电力大数据的配电网设备状态诊断预测方法，其特征在于，包括以下步骤：

1)获取配电网设备相关的全息时标量测数据，视全息时标量测数据的状况进行数据预处理，提取特征量数据作为反应配电网设备健康状态的状态量指标；

2)对配电网设备的状态进行诊断，得到配电网设备的状态评分；

3)通过配电网设备故障预测模型，对配电网设备故障情况进行预测；

4)结合配电网设备的状态评分和故障情况，给出决策建议，建立检修安排计划并提交；

所述步骤1)包括以下步骤：

设配电网设备的故障类型为N种，进行电力特征参数及运行参数的历史数据与N种故障类型的相关性分析，计算电力特征参数及运行参数的相关性显著性水平；

按照与发生故障的时间距离，筛选出相关性显著性水平超过预设的相关性显著性水平门槛值的电力特征参数及运行参数，组成N种故障类型的相关参数，设筛选出的电力特征参数及运行参数为m个，组成向量X:(x₁,x₂…,x_m)；

在向量X:(x₁,x₂…,x_m)中取出实际输出与期望输出之间差值小于设置误差的p个参数，设这p个参数为X_i,i＝1,2…p，则X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p构成特征量数据，其中T_i,i＝1,2…p为对应的故障发生率，取0到1之间的值，S_i,i＝1,2…p为故障类型，取1到N之间的值；

所述步骤2)的具体方法如下：

将配电网设备状态量指标的状态分为四种状态，分别为正常、注意、异常以及严重，每种状态对应着不同的指标得分系数；

设某个配电网设备对应n种状态量指标，则该配电网设备的第i种状态量指标的指标得分M_i＝100×k_i，k_i代表第i种状态量指标的状态对应的得分系数，使得M_i为百分制；每种状态量指标根据对该配电网设备的运行的影响程度不同拥有不同的权重值C_i；

如果该配电网设备有某一种或者几种状态量指标的状态属于异常或严重，则该配电网设备最终的得分M为所有状态指标的指标得分的最低分，M＝Min(M_i),如果该配电网设备的每种状态量指标的状态都属于正常或注意，则该配电网设备的最终得分为所有状态量指标的指标得分的加权和；

所述步骤3)中的配电网设备故障预测模型，采用BP神经网络模型，以特征量数据X₁,T₁,S₁；X₂,T₂,S₂；…；X_p,T_p,S_p中的p个电力特征参数及运行参数作为配电网设备故障级别预测模型的输入，对应的故障发生率及故障类型为配电网设备故障级别预测模型的输出，根据不同时间的历史数据采用BP神经网络梯度下降算法对配电网设备故障级别预测模型进行训练。

2.根据权利要求1所述的基于电力大数据的配电网设备状态诊断预测方法，其特征在于，所述步骤1)中的全息时标量测数据是从时间序列数据库系统获取的，所述时间序列数据库系统与配电网管理系统集成在一起。

3.根据权利要求1所述的基于电力大数据的配电网设备状态诊断预测方法，其特征在于，所述步骤1)中的数据预处理，包括数据类型转换、对电力特征参数进行标号、将电力运行数据转换成浮点数、数据清洗、缺省值处理、数据集成以及对错漏数据进行加权平均补全。

Images