CN109035066A - 基于svm的10千伏配网高掉闸线路成因分析及治理方法 - Google Patents
基于svm的10千伏配网高掉闸线路成因分析及治理方法 Download PDFInfo
- Publication number
- CN109035066A CN109035066A CN201811158899.4A CN201811158899A CN109035066A CN 109035066 A CN109035066 A CN 109035066A CN 201811158899 A CN201811158899 A CN 201811158899A CN 109035066 A CN109035066 A CN 109035066A
- Authority
- CN
- China
- Prior art keywords
- equipment
- route
- svm
- high breaking
- data
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012252 genetic analysis Methods 0.000 title claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000001520 comb Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003373 anti-fouling effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (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)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及10千伏高掉闸线路的整治方法,具体为基于SVM的10千伏配网高掉闸线路成因分析及治理方法。在电网运行过程中,故障停电情况时有发生,本项目可以解决当前配电网线路“高掉闸”问题,从设备内外因出发,构建多维空间向量模型,用特征值权重表示特征因素对线路跳闸的影响程度。利用监督学习分类模型,按照“整线路、整台区”“改造一条、完成一条”的思路对线路数据分类预测,辅助配网运维整治高掉闸线路,从本质上提升电网的可靠性。该方法在配网试验成熟后,可推广至全网设备治理上,达到降低设备故障及维修成本,提升运行经济型的效果。
Description
技术领域
本发明涉及10千伏高掉闸线路的整治方法,具体为基于SVM的10千伏配网高掉闸线路成因分析及治理方法。
背景技术
随着社会经济增长和人民生活水平的提升,用户对供电可靠性的要求不断提高。10kV配电网是电力系统的重要组成部分,与广大用电客户有着最为直接的联系,对安全性和可靠性要求较高。通常,10kV配电网中的接线方式错综复杂,长期处于户外,一旦线路中出现故障,将会给片区用户带来极大不便,更可能遭受巨大经济损失。近年来,随着电网改造的深入,施工技术水平的提高,10kV配电网的基础有了较大改善,但由于环境等多种原因,线路故障跳闸仍不时发生。电网的故障抢修问题多年来一直是配电网络建设的关键,它的好坏直接影响到电网的建设和运行。因此,只要能保证配网故障的抢修措施合理开展,就能够提高抢修效率,缩短故障恢复的时间,保障正常供电。当下的10kV配电线路中还存在很多问题,常常会导致系统故障。因此,提出一种基于电网大数据的10kV配网线路高掉闸成因分析方法,利用数据挖掘中监督学习的分类模型构建基于SVM的机器学习模块,获取的模型对新数据进行分类预测,同时辅助配网运维着力整治高跳闸线路,充分发挥运检专业主观能动性,提升配电网精益化管理水平和供电服务保障能力。
发明内容
在电网运行过程中,故障停电情况时有发生,本项目可以解决当前配电网线路“高掉闸”问题,从设备内外因出发,构建多维空间向量模型,用特征值权重表示特征因素对线路跳闸的影响程度。利用监督学习分类模型,按照“整线路、整台区”“改造一条、完成一条”的思路对线路数据分类预测,辅助配网运维整治高掉闸线路,从本质上提升电网的可靠性。该方法在配网试验成熟后,可推广至全网设备治理上,达到降低设备故障及维修成本,提升运行经济型的效果。
本发明是采用如下的技术方案实现的:基于SVM的10千伏配网高掉闸线路成因分析及治理方法,包括以下步骤:
(1)建立电网大数据数据库:整合线路中各类设备数据,建立电网大数据数据库;
(2)数据预处理:对建立的电网大数据进行预处理,删除原始数据中的无关、重复数据,处理缺失值、异常值,降低数据冗余,提高挖掘过程的准确性和速度;
(3)建立数学模型:对预处理后的电网大数据进行结构化数学模型表示,每个设备构建设备数据多维空间向量,分析多维空间向量中各维空间向量即特征值和线路跳闸的相关性,赋予每个特征值一个权重来表示其对线路跳闸影响的程度;
(4)利用SVM对设备分类:每一类中的部分设备均按照可靠性程度分为可靠性高设备与可靠性低设备,将已知可靠性设备的多维空间向量作为样本集,利用基于SVM的分类算法,先将样本集的60%作为训练集放入SVM分类器进行训练,得到训练好的分类器。然后将样本集的剩下40%作为测试集放入训练好的SVM分类器进行类别判断以测试精度,通过调整SVM的核函数以及惩罚因子两个参数以达到最大精度的分类效果;分析配电网线路的跳闸率,梳理出配电网高掉闸线路,将这些高掉闸线路的设备数据信息多维空间向量放进分类器中,找到导致线路高掉闸的可靠性低设备;
(5)判断设备低可靠成因:每一个设备多维空间向量共有n个特征值,记为a1,a2……ai……an,统计所有可靠性高设备对于特征值ai的对应值,最小值为α,最大为β,则区间A=(α,β)为特征ai成为可靠因素的合理范围,对不可靠设备的n个特征值进行分析,当时,则该特征值为设备不可靠的原因;
(6)制定低可靠性设备综合治理方案。
现行方法整治“高掉闸”线路:(1)“地毯式”巡查耗时耗力,缺乏针对性。(2)传统抢修方式均为“被动抢修”,需等故障发生后才可开展分析工作。
本方法和现行整治“高掉闸”线路的方法相比,具有以下优势:
(1)借助电网各系统中大量设备信息数据资源优势,大数据分析预判与人工巡检相结合,形成配网管理“大数据+电网”新模式。
(2)由“地毯式”巡查到“针对性”巡检,可有效提升运维整体工作效率。
(3)该项目的实施变被动整改防治为主动智能预防,有助于推进治理配网“高掉闸、高报修、高投诉”的突出问题,且迎合了建设智能电网的发展趋势,从本质上提升了电网的可靠性。
(4)该模式在配网试验成熟后,可推广到主网设备的治理上,对电网技改大修工程项目储备起到辅助作用,降低设备故障及维修成本,提升设备运行经济性。
附图说明
图1为本发明的流程图。
具体实施方式
对本发明技术方案进行详细说明。
1.建立电网大数据数据库
整合各类设备数据,各类设备包括环网柜、配电室、箱式变电站、电缆分支箱、配电变压器、避雷器、柱上隔离开关、柱上断路器、架空导线、电缆等共5类站房设备,10类站内一次设备,13类线路设备。每一条设备数据包括该设备投运日期、设备型号、地区、防污等级、设备检修数据、设备试验数据、设备缺陷(来源为PMS系统)、配电线路停电监控、支线停电监控、配变停电监控、主动抢修监控、故障报修监控、配变重过载监控、配变低电压监控、三相不平衡监控、主动检修监控、停电次数(来源为配网可视化系统)、雷电个数、平均回击、正平均电流、负平均电流、雷电小时、雷电日、面积、地闪密度、正闪比例、是否雷害区(来源为雷电定位系统)、是否采空区、是否鸟害区、是否外破区、是否山火区、天气信息(来源为防冰减灾技术系统)等,建立电网大数据数据库。为了确保数据的安全性,对从各系统中取出的数据,加密后存入数据库中。
2.数据预处理
对这些电网大数据进行预处理,删除原始数据中的无关、重复数据,处理缺失值、异常值(删除记录或补插均值/中位数/众数),降低数据冗余,提高挖掘过程的准确性和速度。
3.建立数学模型
对预处理后的电网大数据进行结构化数学模型表示,如天气情况、设备运行情况,将其数值化表示,构建设备数据多维空间向量,分析各维空间向量即特征值和线路跳闸的相关性,并赋予每个特征值一个权重来表示其对线路跳闸影响的程度,提炼出符合电网设备的最优模型。
4.利用SVM对设备分类
每一类中的部分设备均按照可靠性程度分为可靠性高设备与可靠性低设备(如可靠性低的设备为停电次数多、设备存在缺陷等条件的设备,可靠性高的设备为没有停电、没有缺陷等条件的设备)。可靠性高设备和可靠性低设备的多维空间向量作为样本集。
利用基于支持向量机(SVM)的分类算法,先将样本集的六成作为训练集放入SVM分类器进行训练,然后将剩下四成数据作为测试集放入训练好的SVM分类器进行类别判断以测试精度(通过调整SVM的核函数以及惩罚因子两个参数以得到最大精度的分类效果)。
分析配电网线路的跳闸率,梳理出近10年的配电网高掉闸线路,将这些高掉闸线路的设备的多维空间向量放进分类器中,找到导致线路高掉闸的可靠性低设备。
5.判断设备低可靠成因
每一个设备多维空间向量共有n个特征,记为a1,a2……ai……an,对于特征值ai,统计所有可靠性高设备的对应值,最小值为α,最大值为β,则区间A=(α,β)为特征ai成为可靠因素的合理范围。对不可靠设备的n个特征值进行分析,当时,则该特征值为设备不可靠的原因。
6.制定低可靠性设备综合治理方案。
Claims (1)
1.基于SVM的10千伏配网高掉闸线路成因分析及治理方法,其特征在于包括以下步骤:
(1)建立电网大数据数据库:整合线路中各类设备数据,建立电网大数据数据库;
(2)数据预处理:对建立的电网大数据进行预处理,删除原始数据中的无关、重复数据,处理缺失值、异常值,降低数据冗余,提高挖掘过程的准确性和速度;
(3)建立数学模型:对预处理后的电网大数据进行结构化数学模型表示,每个设备构建设备数据多维空间向量,分析多维空间向量中各维空间向量即特征值和线路跳闸的相关性,并赋予每个特征值一个权重来表示其对线路跳闸影响的程度;
(4)利用SVM对设备分类:每一类中的部分设备均按照可靠性程度分为可靠性高设备与可靠性低设备,将已知可靠性设备的多维空间向量作为样本集,利用基于SVM的分类算法,先将样本集的60%作为训练集放入SVM分类器进行训练,得到训练好的分类器,然后将样本集的剩下40%作为测试集放入训练好的SVM分类器进行类别判断以测试精度,通过调整SVM的核函数以及惩罚因子两个参数以达到最大精度的分类效果;分析配电网线路的跳闸率,梳理出配电网高掉闸线路,将这些高掉闸线路的设备数据信息多维空间向量放进分类器中,找到导致线路高掉闸的可靠性低设备;
(5)判断设备低可靠成因:每一个设备多维空间向量共有n个特征值,记为a1,a2……ai……an,统计所有可靠性高设备对于特征值ai的对应值,最小值为α,最大值为β,则区间A=(α,β)为特征ai成为可靠因素的合理范围,对不可靠设备的n个特征值进行分析,当时,则该特征值为设备不可靠的原因;
(6)制定低可靠性设备综合治理方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158899.4A CN109035066A (zh) | 2018-09-30 | 2018-09-30 | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811158899.4A CN109035066A (zh) | 2018-09-30 | 2018-09-30 | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035066A true CN109035066A (zh) | 2018-12-18 |
Family
ID=64615412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811158899.4A Pending CN109035066A (zh) | 2018-09-30 | 2018-09-30 | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035066A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949178A (zh) * | 2019-02-22 | 2019-06-28 | 国网安徽省电力公司 | 一种基于支持向量机中压配网停电事件判断及补全方法 |
CN112072789A (zh) * | 2020-09-03 | 2020-12-11 | 国网湖南省电力有限公司 | 低电压台区识别方法、检修方法及其预警方法 |
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090067485A (ko) * | 2007-12-21 | 2009-06-25 | 재단법인 포항산업과학연구원 | 발전용 연료전지 평가시스템 및 방법 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104834994A (zh) * | 2015-04-17 | 2015-08-12 | 国家电网公司 | 基于svm的小样本继电保护可靠性参数估计方法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
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 |
EP3373552A1 (en) * | 2017-03-09 | 2018-09-12 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
-
2018
- 2018-09-30 CN CN201811158899.4A patent/CN109035066A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090067485A (ko) * | 2007-12-21 | 2009-06-25 | 재단법인 포항산업과학연구원 | 발전용 연료전지 평가시스템 및 방법 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104834994A (zh) * | 2015-04-17 | 2015-08-12 | 国家电网公司 | 基于svm的小样本继电保护可靠性参数估计方法 |
CN105184316A (zh) * | 2015-08-28 | 2015-12-23 | 国网智能电网研究院 | 一种基于特征权学习的支持向量机电网业务分类方法 |
EP3373552A1 (en) * | 2017-03-09 | 2018-09-12 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
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 |
Non-Patent Citations (2)
Title |
---|
刘科研等: "基于数据挖掘的配电网故障风险预警", 《电力自动化设备》 * |
刘苑红等: "基于支持向量机的配电网设施可靠性参数预测方法", 《电力信息与通信技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949178A (zh) * | 2019-02-22 | 2019-06-28 | 国网安徽省电力公司 | 一种基于支持向量机中压配网停电事件判断及补全方法 |
CN112072789A (zh) * | 2020-09-03 | 2020-12-11 | 国网湖南省电力有限公司 | 低电压台区识别方法、检修方法及其预警方法 |
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021596B (zh) | 一种电网故障电流冲击拓扑图的分析方法 | |
CN110929853A (zh) | 一种基于深度学习的配电网线路故障预测方法 | |
CN109655712A (zh) | 一种配电网线路故障原因分析方法与系统 | |
CN105527540B (zh) | 一种故障指示器和分布式智能终端相配合的架空配电网故障定位方法 | |
CN109035066A (zh) | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 | |
CN103871004A (zh) | 基于专家系统和d-s证据理论的配电网故障原因分析法 | |
CN106651128A (zh) | 一种输变电系统风险预警方法 | |
CN112001686A (zh) | 一种架空线路停电研判系统 | |
Wang et al. | Research on reliability evaluation method of catenary of high speed railway considering weather condition | |
CN111209535B (zh) | 一种电力设备相继故障风险识别方法及系统 | |
CN115293584A (zh) | 一种架空输电线路风险预测方法、系统及终端 | |
Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
CN114971168A (zh) | 基于多系统交互的电缆线路同期线损率异常分析方法 | |
Li et al. | Identification of distribution network topology parameters based on multidimensional operation data | |
CN111049131A (zh) | 一种地区电网在线故障处置预案生成方法及系统 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
CN108879948A (zh) | 一种智能低压电缆分支箱及其运行方法和智能配电台区 | |
CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
Hu et al. | Operational reliability evaluation method based on big data technology | |
CN104979903B (zh) | 一种集控中心巡维分析方法和装置 | |
CN106651113A (zh) | 一种基于超前n‑1分析的调度员操作风险评估方法 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
CN105896525B (zh) | 基于wams的电网大扰动识别方法 | |
CN113013871A (zh) | 一种配电网设备故障、检修时的负荷转供方法 | |
CN112418459A (zh) | 电网检修运行方式风险校核经验管理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |