CN108830745B - 基于监控信息的电网连锁故障诊断、预警、评估系统 - Google Patents
基于监控信息的电网连锁故障诊断、预警、评估系统 Download PDFInfo
- Publication number
- CN108830745B CN108830745B CN201810692270.1A CN201810692270A CN108830745B CN 108830745 B CN108830745 B CN 108830745B CN 201810692270 A CN201810692270 A CN 201810692270A CN 108830745 B CN108830745 B CN 108830745B
- Authority
- CN
- China
- Prior art keywords
- power grid
- data
- information
- cascading failure
- early warning
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000011156 evaluation Methods 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000007639 printing Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000002243 precursor Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网技术领域,具体涉及一种基于监控信息的电网连锁故障诊断、预警、评估系统。该系统包括电网连锁故障诊断子系统、电网连锁故障预警子系统、电网连锁故障评估子系统;所述电网连锁故障诊断子系统用于电网故障的诊断查询;所述电网连锁故障预警子系统用于对电网故障的预警分析;所述电网连锁故障评估子系统用于对电网故障诊断、预警信息进行评估,并出具评估报告。本系统实现了相关设备信息集中接入,解决了不同的设备相关信息离散存储的问题,通过规范数据源端,将设备监控信息事后分析向事前评估、事中预判及处理转变,利用大数据分析技术手段,大幅度提高监控信息分析智能化水平,为集中监控运行提供更加有效和实用性的技术支撑。
Description
技术领域
本发明涉及电网技术领域,具体涉及一种基于监控信息的电网连锁故障诊断、预警、评估系统。
背景技术
大运行实施后,调控中心负责无人值守变电的集中监控,变电站监控信息均应按无人值守变电站技术要求及国网监控信息规范要求上传到调控中心监控系统,监控信息量巨大,例如公司市调负责集中监控电网一百多座220千伏及以上变电站。传统的监控信号统计与分析工作主要依靠专责对电网历史及当前电网运行情况的熟悉程度和工作经验,缺乏科学和可量化的数据进行参考,没有可靠的技术辅助手段实现智能化分析。其次由于接入监控信号设备的日益复杂,监控信息的种类越来越多,传统的监控信息管理模式面临诸多限制,已不能够适应当前特大城市电网集中监控的要求,因此急需在变电站侧规范监控数据接口及服务,开展基于大数据技术的变电站设备监控数据应用基础研究,实现监控信号的规范化、标准化管理,充分利用监控信息大数据的优势,做好事前评估、事中预判及处理,以适应现代大电网调控一体化管理工作的需要。
发明内容
国调设备监控专业“十三五”规划明确提出了开展设备运行大数据分析的要求,公司力争整合现有信息化资源,与目前运行的OMS系统、监控信息系统相互搭接,形成无缝连接的统一管理平台,通过建立基于监控数据的变电站设备运行大数据分析基础,建设面向电网监控业务的智能告警功能,提高故障分析的智能化水平,提升电网整体的专业管理水平和技术管理水平。
针对现有技术中的缺陷,本发明提供了基于监控信息的电网连锁故障诊断、预警、评估系统,该系统包括基于监控信息的电网连锁故障诊断子系统、基于监控信息的电网连锁故障预警子系统、基于监控信息的电网连锁故障评估子系统;
所述基于监控信息的电网连锁故障诊断子系统用于电网故障的诊断查询;
所述基于监控信息的电网连锁故障预警子系统用于对电网故障的预警分析;
所述基于监控信息的电网连锁故障评估子系统用于对电网故障诊断、预警信息进行评估,并出具评估报告。
优选的,所述基于监控信息的电网连锁故障诊断子系统包括:更新电网连锁故障库的信息;将预获取的操作票信息与电网连锁故障库的信息匹配;对匹配到操作票信息的电网连锁故障信息所对应的图元进行标记,并根据用户输入的图元点击指令,显示相应图元的电网连锁故障信息。
优选的,所述基于监控信息的电网连锁故障诊断子系统还包括同步电网连锁故障库的信息,具体包括:
获取电网连锁故障信息,生成E文件,并保存至指定存储区;实时扫描所述指定存储区中的E文件,进行解析,并同步至电网连锁故障库;将预获取的操作票信息与所述电网连锁故障库的信息匹配,具体包括:
分别对操作任务和操作指令进行拆解,生成拆解信息,所述操作票信息包括所述操作任务和所述操作指令;将所述拆解信息与所述电网连锁故障库的信息进行匹配。
优选的,所述基于监控信息的电网连锁故障预警子系统包括用于电网的母线电压态势短期预测子模块,该子模块包括母线电压态势短期预测方法,该方法包括母线电压越限智能预警策略,母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发,对母线电压态势进行短期预测,再结合D5000告警数据和AVC系统当前状态,对D5000告警数据进行智能识别,过滤无效告警;具体步骤如下:
第一步,对D5000系统告警信息,结合AVC无功设备状态信息,进行初步筛选;筛选的原则是母线电压向上越上上限阈值或者越下限阈值,且AVC无功调节能力已用尽,则判定该告警初步有效;
第二步,对初步有效的告警点的母线电压态势进行短期预测,判断未来电压的短期态势是趋势上扬,或者趋势平稳,或者趋势下行;
最后,结合初筛的告警信息和对母线未来电压态势的判断,辨识告警是否有效,并将该有效预警信息推送出去,明确该电压越限的情况是否需要调控干预,以及干预的时机。
优选的,所述用于电网的母线电压态势短期预测子模块还包括对电压态势短期预测数据分析与建模的步骤;
本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分,并将电压态势设定为三支决策问题,包括电压趋势上扬、电压趋势下行、电压趋势稳定;
某指定母线相关L条遥测工况数据的集合设为D={D1,D2,…,DL},且Di∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统,记为Di=(Ai,Vi,N,F,g);
其中Ai={ai1,ai2,…,aim}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合,每个时序段的长度为h个时间单元,即对第i个指标的第j个时间窗口的数据表达为:且aij∈Ai、|aij|=h、与之间满足前驱后续关系;
Vi={TSi1,TSi2,TSi3,...TSim}代表第i个指标遥测数据流样本中,m个前驱后继的工况时序数据构成的集合,F是一个映射:F:aij→TSij,其语义为Vi中的任意第j段时间序列数据TSij与Ai中的第j段时序数据段aij的一一映射关系。可记为: 代表Vi={TSi1,TSi2,TSi3,...TSim}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合,其中特征值为P即电压趋势上扬,B即电压趋势稳定,N即电压趋势下行;其取值由映射决定,其中j∈{1,2,…m};
数据样本Di对应的时间序列Vi集合,可以被记为如式1所示的工况时序数据矩阵模型;
其中每一行表示为对应TSij数据集合的h个数据的水平转置;
本方法考虑到各相关线路对母线电压的影响,因此不直接使用母线的历史数据流来预测,而是对母线及其相关线路的多维历史数据流进行建模;将D集合中L条遥测工况时序数据构成矩阵(即:V1,V2,V3,…Vl),其中每个Vi=(TSi1,TSi2,TSi3,…TSim)按照每段时间序列的起始时间的先后顺序组合转换成一列数据;最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N={N1,N2,...Nm}加入到相应时间段,得到如式2所示的电压态势数据矩阵模型DB,作为相对于母线态势预测的决策训练数据集;
其中j∈{1,2,…,m},i∈{1,2,…,L};在DB矩阵中,除了决策列N外,其它列分别代表了不同线路的时序工况类型;DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标;第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。
优选的,该用于电网的母线电压态势短期预测子模块还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤:
第一步,使用母线电压相关历史数据进行多维时间序列建模,将被研究的遥测数据转换为多维时间序列矩阵模型;
第二步,用时间序列聚类方法对其进行时序聚类,将多维时间序列矩阵模型降维转变为经典二维信息表;
第三步:将二维信息表进行属性约简后导入多机器学习群进行学习,学习完后的多个算法模型,包括RNN算法模型、C4.5算法模型、SVM算法模型,通过测试数据进行竞争,根据集成学习算法产生最优分类器;将实践数据导入最优分类器并输出预测结果;
第四步:对预测结果进行集成测试,如果实测结果不佳,则更新训练数据集,重新训练直至获得最优预测分类器。
优选的,该用于电网的母线电压态势短期预测子模块还包括:母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法,及多机器集成学习策略;本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤,母线越限短时预测-BOLF具体步骤为:
输入:某指定母线相关L条遥测工况历史数据的集合D,
输出:最优分类器;
步骤1:遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB;
步骤2:对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类;
步骤3:使用步骤2获得的聚类结果,将DB矩阵中每个时间序列数据TSxy,其中0<x≤L,0<y≤m,转化为相应的时间序列聚类类型;然后,多维时间序列数据构成的DB矩阵,每个就被转化为二维决策信息表;
步骤4:基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法,包括SVM,RNN,及C4.5决策树;
步骤5:对步骤4获得的决策知识进行测试,保留测试准确率达到阈值λ=0.95的决策知识并构成多机器集成学习分类器;
步骤6:采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测,确定最优分类器模型。
优选的,所述基于监控信息的电网连锁故障评估子系统获取电网连锁故障诊断子系统及电网连锁故障预警子系统的信息生成电网连锁故障评估报告,电网连锁故障评估子系统还包括评估报告打印子模块、评估报告推送子模块;所述评估报告打印子模块用于将评估报告及时打印交付给系统管理员,所述评估报告推送子模块用于将评估报告及时发送至预设手机、预设邮箱、预警大屏中显示。
另一方面,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的系统。
另一方面,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述的系统。
由上述技术方案可知,本系统实现了相关设备信息集中接入,解决了不同的设备相关信息离散存储的问题,通过规范数据源端,将设备监控信息事后分析向事前评估、事中预判及处理转变,利用大数据分析技术手段,大幅度提高监控信息分析智能化水平,为集中监控运行提供更加有效和实用性的技术支撑。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明所提供的基于监控信息的电网连锁故障诊断、预警、评估系统的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
1.基于监控信息的电网连锁故障诊断、预警、评估系统还包括:
1)建立设备台账履历信息,规范化、标准化接入监控信息数据源。通过对集中监控变电站设备的监控信息进行规范化梳理,建立监控信息、设备缺陷、天气情况智能化分析模型,实现对变电站集中监控告警、输变电在线监测告警等告警信息的汇聚及分类管理,通过建立设备台账履历信息,规范化、标准化接入监控信息数据源,提升监控信息大数据分析能力。
2)建立系统数据辨识,实现系统各功能模块进行数据分析时的预处理,提升变电站遥测量、状态量数据质量有效性的分析辨识能力,提高大数据分析基础的数据质量。
3)利用大数据分析技术,实现监控大数据分析应用,涵盖生产运行全过程的设备运行健康水平监视,进一步明确设备告警信息对设备运行状态的影响,提升对特高压互联电网灾难性突发事件进行科学预测和危险性评估的能力。包括设备运行状态评估、设备状态趋势预测、设备状态转换识别、多维分析应用。
2.基于监控信息的电网连锁故障诊断、预警、评估系统的理论、实践依据;
大数据平台主要采用目前比较流行的R或Mahout进行数据挖掘工作。其中,R是一套完整的数据处理、计算和制图软件系统,包括数据存储和处理系统、完整连贯的统计分析工具、统计制图功能、简便而强大的编程语言、可操纵数据的输入和输出等功能;而Mahout是一个机器学习和数据挖掘的分布式框架,用MapReduce实现了一些典型的数据挖掘算法,如聚类、分类、推荐过滤、频繁子项挖掘等,可以迅速、方便地开发和创建智能应用程序。由此,在针对电网大数据的特点,面向各种应用需求利用各类数据挖掘算法进行分析与预测,如采用K-menas或Fuzzy K-means聚类算法进行电网负荷预测,Logistic回归算法进行电网状态分析、KNN一类分类算法进行异常警告分析等。
3.基于监控信息的电网连锁故障诊断、预警、评估系统的关键和难点。
(1)监控信息大数据分析基础研究,需要明确大数据分析数据接入源,针对海量不同类型的监控信息,如何进行完整、准确、及时的收集,实现对监控信息接入的及时性、完整性、数据质量、无效数据、伴生信息进行数据辨识,以支撑大数据分析相关要求。
(2)大数据分析算法的选择,数据挖掘算法有很多,不同挖掘算法又用很多不同的变种。不同的算法针对特定的需求及不同的数据集上表现的效果也不同。应根据监控信息分析的特点,建立大数据分析结果的评价机制,选择出评价算法结果最好的几种算法。同时研究针对不同算法设置不同指标对分析结果进行评价,实现按照评价结果动态修正分析预设参数及人工干预参数设置的结果。
(3)可视化展示。变电站设备监控数据可视化表达方法与交互式人机技术,找到适合监控信息大数据分析结果直观、形象地图形化展示方式,才能帮助监控员和监控分析师敏锐监视电网状态并快速发现电网的风险。
如图1所示,本发明提供了基于监控信息的电网连锁故障诊断、预警、评估系统,该系统包括基于监控信息的电网连锁故障诊断子系统、基于监控信息的电网连锁故障预警子系统、基于监控信息的电网连锁故障评估子系统;
所述基于监控信息的电网连锁故障诊断子系统用于电网故障的诊断查询;
所述基于监控信息的电网连锁故障预警子系统用于对电网故障的预警分析;
所述基于监控信息的电网连锁故障评估子系统用于对电网故障诊断、预警信息进行评估,并出具评估报告。
优选的,所述基于监控信息的电网连锁故障诊断子系统包括:更新电网连锁故障库的信息;将预获取的操作票信息与电网连锁故障库的信息匹配;对匹配到操作票信息的电网连锁故障信息所对应的图元进行标记,并根据用户输入的图元点击指令,显示相应图元的电网连锁故障信息。
优选的,所述基于监控信息的电网连锁故障诊断子系统还包括同步电网连锁故障库的信息,具体包括:
获取电网连锁故障信息,生成E文件,并保存至指定存储区;实时扫描所述指定存储区中的E文件,进行解析,并同步至电网连锁故障库;将预获取的操作票信息与所述电网连锁故障库的信息匹配,具体包括:
分别对操作任务和操作指令进行拆解,生成拆解信息,所述操作票信息包括所述操作任务和所述操作指令;将所述拆解信息与所述电网连锁故障库的信息进行匹配。
优选的,所述基于监控信息的电网连锁故障预警子系统包括用于电网的母线电压态势短期预测子模块,该子模块包括母线电压态势短期预测方法,该方法包括母线电压越限智能预警策略,母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发,对母线电压态势进行短期预测,再结合D5000告警数据和AVC系统当前状态,对D5000告警数据进行智能识别,过滤无效告警;具体步骤如下:
第一步,对D5000系统告警信息,结合AVC无功设备状态信息,进行初步筛选;筛选的原则是母线电压向上越上上限阈值或者越下限阈值,且AVC无功调节能力已用尽,则判定该告警初步有效;
第二步,对初步有效的告警点的母线电压态势进行短期预测,判断未来电压的短期态势是趋势上扬,或者趋势平稳,或者趋势下行;
最后,结合初筛的告警信息和对母线未来电压态势的判断,辨识告警是否有效,并将该有效预警信息推送出去,明确该电压越限的情况是否需要调控干预,以及干预的时机。
优选的,所述用于电网的母线电压态势短期预测子模块还包括对电压态势短期预测数据分析与建模的步骤;
本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分,并将电压态势设定为三支决策问题,包括电压趋势上扬、电压趋势下行、电压趋势稳定;
某指定母线相关L条遥测工况数据的集合设为D={D1,D2,…,DL},且Di∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统,记为Di=(Ai,Vi,N,F,g);
其中Ai={ai1,ai2,…,aim}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合,每个时序段的长度为h个时间单元,即对第i个指标的第j个时间窗口的数据表达为:且aij∈Ai、|aij|=h、与之间满足前驱后续关系;
Vi={TSi1,TSi2,TSi3,...TSim}代表第i个指标遥测数据流样本中,m个前驱后继的工况时序数据构成的集合,F是一个映射:F:aij→TSij,其语义为Vi中的任意第j段时间序列数据TSij与Ai中的第j段时序数据段aij的一一映射关系。可记为: 代表Vi={TSi1,TSi2,TSi3,...TSim}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合,其中特征值为P即电压趋势上扬,B即电压趋势稳定,N即电压趋势下行;其取值由映射决定,其中j∈{1,2,…m};
数据样本Di对应的时间序列Vi集合,可以被记为如式1所示的工况时序数据矩阵模型;
其中每一行表示为对应TSij数据集合的h个数据的水平转置;
本方法考虑到各相关线路对母线电压的影响,因此不直接使用母线的历史数据流来预测,而是对母线及其相关线路的多维历史数据流进行建模;将D集合中L条遥测工况时序数据构成矩阵(即:V1,V2,V3,…Vl),其中每个Vi=(TSi1,TSi2,TSi3,…TSim)按照每段时间序列的起始时间的先后顺序组合转换成一列数据;最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N={N1,N2,...Nm}加入到相应时间段,得到如式2所示的电压态势数据矩阵模型DB,作为相对于母线态势预测的决策训练数据集;
其中j∈{1,2,…,m},i∈{1,2,…,L};在DB矩阵中,除了决策列N外,其它列分别代表了不同线路的时序工况类型;DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标;第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。
优选的,该用于电网的母线电压态势短期预测子模块还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤:
第一步,使用母线电压相关历史数据进行多维时间序列建模,将被研究的遥测数据转换为多维时间序列矩阵模型;
第二步,用时间序列聚类方法对其进行时序聚类,将多维时间序列矩阵模型降维转变为经典二维信息表;
第三步:将二维信息表进行属性约简后导入多机器学习群进行学习,学习完后的多个算法模型,包括RNN算法模型、C4.5算法模型、SVM算法模型,通过测试数据进行竞争,根据集成学习算法产生最优分类器;将实践数据导入最优分类器并输出预测结果;
第四步:对预测结果进行集成测试,如果实测结果不佳,则更新训练数据集,重新训练直至获得最优预测分类器。
优选的,该用于电网的母线电压态势短期预测子模块还包括:母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法,及多机器集成学习策略;本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤,母线越限短时预测-BOLF具体步骤为:
输入:某指定母线相关L条遥测工况历史数据的集合D,
输出:最优分类器;
步骤1:遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB;
步骤2:对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类;
步骤3:使用步骤2获得的聚类结果,将DB矩阵中每个时间序列数据TSxy,其中0<x≤L,0<y≤m,转化为相应的时间序列聚类类型;然后,多维时间序列数据构成的DB矩阵,每个就被转化为二维决策信息表;
步骤4:基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法,包括SVM,RNN,及C4.5决策树;
步骤5:对步骤4获得的决策知识进行测试,保留测试准确率达到阈值λ=0.95的决策知识并构成多机器集成学习分类器;
步骤6:采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测,确定最优分类器模型。
优选的,所述基于监控信息的电网连锁故障评估子系统获取电网连锁故障诊断子系统及电网连锁故障预警子系统的信息生成电网连锁故障评估报告,电网连锁故障评估子系统还包括评估报告打印子模块、评估报告推送子模块;所述评估报告打印子模块用于将评估报告及时打印交付给系统管理员,所述评估报告推送子模块用于将评估报告及时发送至预设手机、预设邮箱、预警大屏中显示。
另一方面,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的系统。
另一方面,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述的系统。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于:
该系统包括基于监控信息的电网连锁故障诊断子系统、基于监控信息的电网连锁故障预警子系统、基于监控信息的电网连锁故障评估子系统;
所述基于监控信息的电网连锁故障诊断子系统用于电网故障的诊断查询;
所述基于监控信息的电网连锁故障预警子系统用于对电网故障的预警分析;
所述基于监控信息的电网连锁故障评估子系统用于对电网故障诊断、预警信息进行评估,并出具评估报告;
所述基于监控信息的电网连锁故障预警子系统包括用于电网的母线电压态势短期预测子模块,该子模块包括母线电压态势短期预测方法,该方法包括母线电压越限智能预警策略,母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发,对母线电压态势进行短期预测,再结合D5000告警数据和AVC系统当前状态,对D5000告警数据进行智能识别,过滤无效告警;具体步骤如下:
第一步,对D5000系统告警信息,结合AVC无功设备状态信息,进行初步筛选;筛选的原则是母线电压超出行业标准的上限阈值或者下限阈值,且AVC无功调节能力已用尽,则判定该告警初步有效;
第二步,对初步有效的告警点的母线电压态势进行短期预测,判断未来电压的短期态势是趋势上扬,或者趋势平稳,或者趋势下行;
最后,结合初筛的告警信息和对母线未来电压态势的判断,辨识告警是否有效,并将该有效预警信息推送出去,明确该电压越限的情况是否需要调控干预,以及干预的时机。
2.根据权利要求1所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于,所述基于监控信息的电网连锁故障诊断子系统包括:更新电网连锁故障库的信息;将预获取的操作票信息与电网连锁故障库的信息匹配;对匹配到操作票信息的电网连锁故障信息所对应的图元进行标记,并根据用户输入的图元点击指令,显示相应图元的电网连锁故障信息。
3.根据权利要求2所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于,所述基于监控信息的电网连锁故障诊断子系统还包括同步电网连锁故障库的信息,具体包括:
获取电网连锁故障信息,生成E文件,并保存至指定存储区;实时扫描所述指定存储区中的E文件,进行解析,并同步至电网连锁故障库;将预获取的操作票信息与所述电网连锁故障库的信息匹配,具体包括:
分别对操作任务和操作指令进行拆解,生成拆解信息,所述操作票信息包括所述操作任务和所述操作指令;将所述拆解信息与所述电网连锁故障库的信息进行匹配。
4.根据权利要求1所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于:所述用于电网的母线电压态势短期预测子模块还包括对电压态势短期预测数据分析与建模的步骤;
本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分,并将电压态势设定为三支决策问题,包括电压趋势上扬、电压趋势下行、电压趋势稳定;
某指定母线相关L条遥测工况数据的集合设为D={D1,D2,…,DL},且Di∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统,记为Di=(Ai,Vi,N,F,g);
其中Ai={ai1,ai2,…,aim}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合,每个时序段的长度为h个时间单元,即对第i个指标的第j个时间窗口的数据表达为:且aij∈Ai、|aij|=h、与之间满足前驱后续关系;
Vi={TSi1,TSi2,TSi3,...TSim}代表第i个指标遥测数据流样本中,m个前驱后继的工况时序数据构成的集合,F是一个映射:F:aij→TSij,其语义为Vi中的任意第j段时间序列数据TSij与Ai中的第j段时序数据段aij的一一映射关系, 可记为: 代表Vi={TSi1,TSi2,TSi3,...TSim}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合,其中特征值为P即电压趋势上扬,B即电压趋势稳定,N即电压趋势下行;其取值由映射决定,其中j∈{1,2,…m};
数据样本Di对应的时间序列Vi集合,可以被记为如式1所示的工况时序数据矩阵模型;
其中每一行表示为对应TSij数据集合的h个数据的水平转置;
本方法考虑到各相关线路对母线电压的影响,因此不直接使用母线的历史数据流来预测,而是对母线及其相关线路的多维历史数据流进行建模;将D集合中L条遥测工况时序数据构成矩阵(即:V1,V2,V3,…Vl),其中每个Vi=(TSi1,TSi2,TSi3,…TSim)按照每段时间序列的起始时间的先后顺序组合转换成一列数据;最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N={N1,N2,...Nm}加入到相应时间段,得到如式2所示的电压态势数据矩阵模型DB,作为相对于母线态势预测的决策训练数据集;
其中j∈{1,2,…,m},i∈{1,2,…,L};在DB矩阵中,除了决策列N外,其它列分别代表了不同线路的时序工况类型;DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标;第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。
5.根据权利要求4所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于:该用于电网的母线电压态势短期预测子模块还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤:
第一步,使用母线电压相关历史数据进行多维时间序列建模,将被研究的遥测数据转换为多维时间序列矩阵模型;
第二步,用时间序列聚类方法对其进行时序聚类,将多维时间序列矩阵模型降维转变为经典二维信息表;
第三步:将二维信息表进行属性约简后导入多机器学习群进行学习,学习完后的多个算法模型,包括RNN算法模型、C4.5算法模型、SVM算法模型,通过测试数据进行竞争,根据集成学习算法产生最优分类器;将实践数据导入最优分类器并输出预测结果;
第四步:对预测结果进行集成测试,如果实测结果不佳,则更新训练数据集,重新训练直至获得最优预测分类器。
6.根据权利要求5所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于,该用于电网的母线电压态势短期预测子模块还包括:母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法,及多机器集成学习策略;本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤,母线越限短时预测-BOLF具体步骤为:
输入:某指定母线相关L条遥测工况历史数据的集合D,
输出:最优分类器;
步骤1:遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB;
步骤2:对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类;
步骤3:使用步骤2获得的聚类结果,将DB矩阵中每个时间序列数据TSxy,其中0<x≤L,0<y≤m,转化为相应的时间序列聚类类型;然后,多维时间序列数据构成的DB矩阵,每个就被转化为二维决策信息表;
步骤4:基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法,包括SVM,RNN,及C4.5决策树;
步骤5:对步骤4获得的决策知识进行测试,保留测试准确率达到阈值λ=0.95的决策知识并构成多机器集成学习分类器;
步骤6:采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测,确定最优分类器模型。
7.根据权利要求1所述的基于监控信息的电网连锁故障诊断、预警、评估系统,其特征在于:所述基于监控信息的电网连锁故障评估子系统获取电网连锁故障诊断子系统及电网连锁故障预警子系统的信息生成电网连锁故障评估报告,电网连锁故障评估子系统还包括评估报告打印子模块、评估报告推送子模块;所述评估报告打印子模块用于将评估报告及时打印交付给系统管理员,所述评估报告推送子模块用于将评估报告及时发送至预设手机、预设邮箱、预警大屏中显示。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7之一所述的系统。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7之一所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692270.1A CN108830745B (zh) | 2018-06-29 | 2018-06-29 | 基于监控信息的电网连锁故障诊断、预警、评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692270.1A CN108830745B (zh) | 2018-06-29 | 2018-06-29 | 基于监控信息的电网连锁故障诊断、预警、评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830745A CN108830745A (zh) | 2018-11-16 |
CN108830745B true CN108830745B (zh) | 2022-04-12 |
Family
ID=64133864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810692270.1A Expired - Fee Related CN108830745B (zh) | 2018-06-29 | 2018-06-29 | 基于监控信息的电网连锁故障诊断、预警、评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830745B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828182B (zh) * | 2018-11-29 | 2021-01-19 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
CN110175617B (zh) * | 2019-05-28 | 2022-12-27 | 中南大学 | 基于纹理时间序列趋势特征匹配的一种浮选模糊故障诊断方法 |
CN110687892B (zh) * | 2019-10-17 | 2021-01-26 | 广西电网有限责任公司贵港供电局 | 一种基于调度自动化系统的故障自动处理方法及装置 |
CN113497716B (zh) * | 2020-03-18 | 2023-03-10 | 华为技术有限公司 | 相似故障推荐方法及相关设备 |
CN111986015B (zh) * | 2020-06-18 | 2024-04-30 | 励程 | 提取财务信息用于记账的方法和系统 |
CN112838946B (zh) * | 2020-12-17 | 2023-04-28 | 国网江苏省电力有限公司信息通信分公司 | 基于通信网故障智能感知与预警模型的构建方法 |
CN113295963B (zh) * | 2021-05-12 | 2022-08-23 | 西北工业大学 | 一种有源配电网cps系统跨域连锁故障源节点判别方法 |
CN113570200B (zh) * | 2021-06-30 | 2023-10-03 | 国电南瑞科技股份有限公司 | 一种基于多维信息的电网运行状态监测方法及系统 |
CN113988507A (zh) * | 2021-09-16 | 2022-01-28 | 国网浙江嵊州市供电有限公司 | 一种输变电运行设备预警方法及装置 |
CN114268365B (zh) * | 2021-12-02 | 2023-07-11 | 国网甘肃省电力公司酒泉供电公司 | 一种基于可视化技术的通信光缆智能预警方法及系统 |
CN115361061A (zh) * | 2022-08-24 | 2022-11-18 | 中铁电气化局集团有限公司 | 一种光纤故障监测方法 |
CN116914685B (zh) * | 2023-09-15 | 2023-12-22 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995948A (zh) * | 2013-07-19 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 一种基于多项式模型的振荡中心电压预测方法 |
CN104410105A (zh) * | 2014-11-26 | 2015-03-11 | 沈阳工业大学 | 基于直流母线网状结构的智能风电场控制方法 |
CN106908690A (zh) * | 2017-02-20 | 2017-06-30 | 积成电子股份有限公司 | 主子站间分布式智能告警系统及其故障诊断方法 |
CN107069975A (zh) * | 2017-06-20 | 2017-08-18 | 国网山东省电力公司诸城市供电公司 | 一种分布式输电设备状态数据反馈系统及其方法 |
CN107947216A (zh) * | 2017-11-15 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种大型交直流混联电网连锁故障预警及控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9778629B2 (en) * | 2012-11-28 | 2017-10-03 | Clemson University | Situational awareness / situational intelligence system and method for analyzing, monitoring, predicting and controlling electric power systems |
-
2018
- 2018-06-29 CN CN201810692270.1A patent/CN108830745B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995948A (zh) * | 2013-07-19 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 一种基于多项式模型的振荡中心电压预测方法 |
CN104410105A (zh) * | 2014-11-26 | 2015-03-11 | 沈阳工业大学 | 基于直流母线网状结构的智能风电场控制方法 |
CN106908690A (zh) * | 2017-02-20 | 2017-06-30 | 积成电子股份有限公司 | 主子站间分布式智能告警系统及其故障诊断方法 |
CN107069975A (zh) * | 2017-06-20 | 2017-08-18 | 国网山东省电力公司诸城市供电公司 | 一种分布式输电设备状态数据反馈系统及其方法 |
CN107947216A (zh) * | 2017-11-15 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种大型交直流混联电网连锁故障预警及控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于数据挖掘技术的电网智能报警系统的研究";晁进;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110915(第9期);C042-495 * |
Also Published As
Publication number | Publication date |
---|---|
CN108830745A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN103745229A (zh) | 一种基于svm的轨道交通故障诊断方法及系统 | |
CN108964023B (zh) | 一种用于电网的母线电压态势短期预测方法及系统 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN108985467A (zh) | 基于人工智能的二次设备精益化管控方法 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN114638476A (zh) | 一种水利一体化运维管理方法及系统 | |
CN106383916A (zh) | 基于工业设备预测性维护的数据处理方法 | |
CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
CN111598288A (zh) | 一种基于物资全过程数据的物资需求预测管理方法 | |
CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策系统 | |
CN114548800A (zh) | 基于电网知识图谱的未来态电网检修风险辨识方法及装置 | |
CN117194919A (zh) | 一种生产数据分析系统 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
Jiang et al. | Improvement of random forest by multiple imputation applied to tower crane accident prediction with missing data | |
CN117371933A (zh) | 一种基于物联网的智慧实验室管理系统 | |
Zhang et al. | Research on traffic decision making method based on image analysis case based reasoning | |
Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
CN207516464U (zh) | 一种便携式计量自动化终端故障诊断装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220412 |