CN109308589B - 电网自动化数据质量监测方法、存储介质、终端设备和系统 - Google Patents
电网自动化数据质量监测方法、存储介质、终端设备和系统 Download PDFInfo
- Publication number
- CN109308589B CN109308589B CN201811386640.5A CN201811386640A CN109308589B CN 109308589 B CN109308589 B CN 109308589B CN 201811386640 A CN201811386640 A CN 201811386640A CN 109308589 B CN109308589 B CN 109308589B
- Authority
- CN
- China
- Prior art keywords
- data
- current
- abnormal
- measured
- measured 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 156
- 238000005259 measurement Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 description 13
- 230000035772 mutation Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010016803 Fluid overload Diseases 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开的电网自动化数据质量监测方法,包括:S101、将采集到的数据存入第一内存库;S102、判断当前数据与前一个数据之间的差值是否大于M1,如是,则执行S103,否则,返回S101;S103、利用加权平均法计算出当前数据的前n1个数据的加权算数平均值;S104、判断当前数据与加权算数平均值之间的差值是否大于M2,如是,则执行S105,否则,返回S101;S105、将当前数据标记为异常数据;S106、将当前异常数据及其前n2个量测数据、后n3个量测数据划分为一组;S107、将分组后的数据子队列存入第二内存库中;本发明能够实时、准确、有效地监测和分辨出不良数据;适用于电力系统领域。
Description
技术领域
本发明涉及电网数据处理的技术领域,具体涉及一种电网自动化数据质量监测方法、存储介质、终端设备和系统。
背景技术
遥测数据是电网自动化的基础信息之一,直接参与了AGC、AVC的实时控制和OPS考核,调度自动化系统的高级应用都基于自动化基础信息的准确性和实时性。近几年来,在电网自动化系统的运行分析中,基础自动化数据(特别是遥测数据)会发生数据异常或跳变,给电网的安全运行造成一定的影响。由于遥测数据“跳变”的干扰所引起的系统误调、误控事件已屡见不鲜,已成为威胁电网安全稳定运行的危险源之一。
国网同业对标遥测状态估计合格率和母线功率不平衡指标,是遥测数据质量的重要评价参数。相关单位在这两项指标的监视分析过程中,往往处于被动状态,只有当指标异常时才对遥测进行异常分析,对于电网的安全管理造成了较大局限性。因此需要在电网调度和运行管理过程中,对遥测数据进行实时监测,以便及时发现不良数据,从而在一定程度上避免对状态估计、AGC、AVC等高级应用的不良影响。但目前很多省调单位对遥测数据的监测只能被动依赖于国调状态估计的指标监视分析,状态估计是对电网模型建模准确合理性、设备参数正确性、SCADA数据质量的一个综合衡量,对于遥测数据缺乏实时监测能力,存在以下问题:
1、国调状态估计的指标计算目前为每5分钟计算一次,这是一种静态分析,对遥测数据的监测无法达到实时分析;
2、状态估计的计算是基于对某一时刻的遥测数据估计,对于数据的异常分析缺乏前后对比,无法满足对遥测数据的线性关联分析;
3、状态估计的计算结果覆盖线路、电压、机组、负荷、电容电抗等遥测数据,但对于省调总加计算点等核心数据却缺乏监测能力。
目前对于同业对标遥测状态估计合格率和母线不平衡都只是简单依赖于人工盯屏监视,存在劳动强度大、效率低、工作被动等问题,在后期的问题分析时也缺乏有效的支撑工具和数据依据,因此迫切需要一套自动化数据质量监测系统。
发明内容
针对相关技术中存在的不足,本发明所要解决的技术问题在于:提供一种能够实时、准确、有效地监测和分辨出不良数据的电网自动化数据质量监测方法、存储介质、终端设备和系统。
为解决上述技术问题,本发明采用的技术方案为:
电网自动化数据质量监测方法,包括:S101、实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列;S102、判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1,如是,则执行步骤S103,否则,返回步骤S101;S103、利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2;S104、判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2,如是,则执行步骤S105,否则,返回步骤S101;S105、将当前量测数据标记为异常数据;S106、将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组;S107、将分组后的数据子队列存入第二内存库中,形成异常数据库。
优选地,所述将队列中存在的异常数据及该异常数据的前n2个量测数据、后n3个量测数据,划分为一组,具体包括:S1061、判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3,如是,则执行步骤S1062,否则,执行步骤S1064;S1062、将当前异常数据及其前面的n2个未被分过组的数据、后面的M3个正常数据,划分为一组;S1063、将下一个异常数据作为当前异常数据,迭代重复步骤S1061;S1064、判断当前异常数据前面的第n2个未被分过组的数据至下一个异常数据之间的队列长度是否大于阈值M4,如是,则执行步骤S1065,否则,执行步骤S1063;S1065、将步骤S1064中所述的队列中的前M4个数据划分为一组;S1066、将数据总队列中未被分组的第一个异常数据作为当前异常数据,迭代重复步骤S1061。
优选地,所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值时,具体包括:S1031、在数据队列中,从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据;S1032、当查找到的正常数据的数量达到n1个时,将上述n1个正常量测数据放入平均数求解集合中;S1033、然后再利用加权平均法计算出平均数求解集合中的n1个量测数据的加权算数平均值。
优选地,当从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据时,若连续n1次查找到的量测数据均为异常数据,则将前n1次查找到的量测数据重新标记为正常数据。
优选地,所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体包括:利用公式(1),计算出当前量测数据的前n1个量测数据的加权算数平均值其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2。
优选地,所述的电网自动化数据质量监测方法,还包括:S108、根据异常数据库中的各组数据子队列中的数据,获取并输出显示异常数据曲线,并在曲线上标注出异常数据点。
本发明提供的存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行如上所述的电网自动化数据质量监测方法。
本发明提供的终端设备,包括:处理器,适于实现各指令;以及存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行如上所述的电网自动化数据质量监测方法。
本发明提供的电网自动化数据质量监测系统,包括:数据入库单元101:用于实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列;第一判断单元102:用于判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1;第一计算单元103、用于当当前量测数据与前一个量测数据之间的差值大于阈值M1时,利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2;所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体包括:利用公式(1),计算出当前量测数据的前n1个量测数据的加权算数平均值其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2;第二判断单元104:用于判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2;标记单元105:用于当当前量测数据与所述加权算数平均值之间的差值大于阈值M2时,将当前量测数据标记为异常数据;分组单元106:用于将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组;队列入库单元107:用于将分组后的数据子队列存入第二内存库中,形成异常数据库。
本发明的有益技术效果在于:
本发明在进行电网自动化数据质量监测时,首先使用突变量检测的方法,即先将当前量测数据值与前一量测数据值进行比较,若二者之差超过某一阈值(即M1),则认为当前量测数据具有意外的突变,将其视为可疑数据;然后再将该可疑数据与前n1个量测数据的加权算数平均值进行比较,若二者之差超过某一阈值(即M2),则判定该可疑数据为不良数据(即异常数据);最后将该不良数据及其前n2个量测数据、后n3个量测数据划分为一组,统一存入异常数据库中。本发明中的监测方法,将突变量检测与加权平均法结合起来,先检测出突变量,再用加权平均法进行二次甄别,既避免了存在突变量时的漏检,又克服了误检的情况,能够准确、有效地检测出不良数据,进而为后期的问题分析提供有效的支撑工具和数据依据。此外,本发明还采用了实时动态分组的数据队列入库方法,提高了数据的存储时效性,进一步保证了甄别不良数据的实时性和可靠性。
附图说明
通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。
图1是本发明实施例一提供的电网自动化数据质量监测方法的流程示意图;
图2是本发明实施例二提供的电网自动化数据质量监测方法的流程示意图;
图3是本发明实施例三提供的电网自动化数据质量监测方法的流程示意图;
图4是本发明实施例四提供的电网自动化数据质量监测方法的流程示意图;
图5是本发明实施例一提供的电网自动化数据质量监测系统的结构示意图;
图6是本发明实施例二提供的电网自动化数据质量监测系统的结构示意图;
图7是本发明实施例三提供的电网自动化数据质量监测系统的结构示意图;
图8是本发明实施例四提供的电网自动化数据质量监测系统的结构示意图;
图中:101为数据入库单元,102为第一判断单元,103为第一计算单元,104为第二判断单元,105为标记单元,106为分组单元,107为队列入库单元,108为结果展示单元,1031为查找模块,1032为归纳模块,1033为计算模块,1061为第一判断模块,1062为第一分组模块,1063为第一迭代计算模块,1064为第二判断模块,1065为第二分组模块,1066为第二迭代计算模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例一提供的电网自动化数据质量监测方法的流程示意图,如图1所示,电网自动化数据质量监测方法,可包括:
S101、实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列。
S102、判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1,如是,则执行步骤S103,否则,返回步骤S101。
S103、利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2。
S104、判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2,如是,则执行步骤S105,否则,返回步骤S101。
S105、将当前量测数据标记为异常数据。
S106、将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组。
S107、将分组后的数据子队列存入第二内存库中,形成异常数据库。
进一步地,所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体可包括:
其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2。
通常,我们常用平均数表示一组数据的“平均水平”,而加权平均法是一种把权重计算在内的平均方法,它是利用过去若干个按照时间顺序排列起来的同一变量的观测值并以时间顺序数为权数,计算出观测值的加权算术平均数,以这一数字作为预测未来期间该变量预测值的一种趋势预测法。本发明中利用加权平均法来获取前n1个量测数据的平均值,并将需要甄别的可疑数据与之作对比,在一定程度上使用了线性规律的判断算法,可以避免对数据的误判,使得监测结果更加可靠,并更加符合本发明中数据计算的迭代性。
具体地,本发明中的各类阈值和数值可根据实际情况进行设定。例如,本实施例中,n1的值可为5。
本实施例在进行电网自动化数据质量监测时,首先使用突变量检测的方法,即先将当前量测数据值与前一量测数据值进行比较,若二者之差超过某一阈值(即M1),则认为当前量测数据具有意外的突变,将其视为可疑数据;然后再将该可疑数据与前n1个量测数据的加权算数平均值进行比较,若二者之差超过某一阈值(即M2),则判定该可疑数据为不良数据(即异常数据);最后将该不良数据及其前n2个量测数据、后n3个量测数据划分为一组,统一存入异常数据库中。本发明中的监测方法,将突变量检测与加权平均法结合起来,先检测出突变量,再用加权平均法进行二次甄别,既避免了存在突变量时的漏检,又克服了误检的情况,能够准确、有效地检测出不良数据,进而为后期的问题分析提供有效的支撑工具和数据依据。此外,本发明还采用了实时动态分组的数据队列入库方法,提高了数据的存储时效性,进一步保证了甄别不良数据的实时性和可靠性。
需要说明的是,本发明在进行突变量检测时,有两个基本假定:一是在相邻的两采样间隔之间,电力系统的网络结构没有变化;二是前一采样时刻的量测数据是可靠数据。
图2是本发明实施例二提供的电网自动化数据质量监测方法的流程示意图,如图2所示,在实施例一的基础上,所述将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组,具体可包括:
S1061、判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3,如是,则执行步骤S1062,否则,执行步骤S1064。
S1062、将当前异常数据及其前面的n2个未被分过组的数据、后面的M3个正常数据,划分为一组。
S1063、将下一个异常数据作为当前异常数据,迭代重复步骤S1061。
S1064、判断当前异常数据前面的第n2个未被分过组的数据至下一个异常数据之间的队列长度是否大于阈值M4,如是,则执行步骤S1065,否则,执行步骤S1063。
S1065、将步骤S1064中所述的队列中的前M4个数据划分为一组。
S1066、将数据总队列中未被分组的第一个异常数据作为当前异常数据,迭代重复步骤S1061。
进一步地,所述第一内存库可为redis内存数据库。Redis是一个高性能的key-value数据库,与memcached这种存储系统相比,它支持存储的value类型相对更多,还支持各种不同方式的排序,虽然也跟其他存储系统一样,为了保证效率,数据都是缓存在内存中,但是它会周期性地把更新的数据写入磁盘或者把修改操作写入追加的记录文件,并且在此基础上实现了master-slave(主从)同步。redis的出现,很大程度补偿了memcached这类key-value存储的不足,在部分场合可以对关系数据库起到很好的补充作用。本发明在系统数据计算及入库方面,使用了基于redis内存数据库及实时动态分组的队列入库办法,解决了海量数据的计算量大与存储时效性之间存在的冲突。
在具体实施时,步骤S1064中所述的数据队列长度可由队列中数据的个数来标定。在具体实施时,本实施例中的M3的值可为10,M4的值可为50。本发明在处理内存库的数据入库过程中,采用先进先出的原则进行计算,数据队列的前后部是根据数据入库的先后顺序来界定的,即先入库的数据位于队列的前部、后入库的数据位于队列的后部。数据正常时先不进行分组乃至队列入库,但在第一内存库中保持一定的数据队列,以便对数据进行计算,一旦发现异常数据,先对该异常数据进行标记,然后再根据队列入库原则对包含该异常数据的一段队列进行入库。本发明在对异常数据及其前后相关数据进行标记、分组以及进入第二内存库时,遵循的先后顺序与它们进入第一内存库的先后顺序是相呼应的,即按照数据入库的先后顺序对数据进行甄别和处理。而且,每一个数据最多只能进行一次分组。此外,本发明的目的是为了检测出不良数据,若数据呈现正常状态,原则上是没有必要将该数据放入异常数据库的,但是如果只将找出的异常数据单独进行入库,由于没有参照,是不利于观察该异常数据所处的异常状态的直观体现、发展趋势的,进而不利于后期问题的分析与处理;因此,当检测出某一异常数据后,会根据队列入库原则将该异常数据及其前后的多个数据一起存入第二内存库中,以使该异常数据的异常状态、发展趋势等在存在参考的情况下一目了然。而在对异常数据及其前后相关数据进行分组入库时,若该异常数据前面和后面的数据都是正常数据,为了避免没有意义的数据截取造成内存库中的数据量过载,则只需要截取紧邻该异常数据的一部分正常数据进行分组;若在一段队列中,不存在包括连续多个正常数据(例如10个)的子队列,即数据一直出现突变情况,则需要将整段队列都进行入库,但是如果队列长度太长,也不利于观察和分析,因此遇到这种情况,可将整个长队列分成多个适宜长度的子队列,再分别进行入库,例如上述情况的数据总队列的长度为80,那么可将总队列分为一个长度为50的子队列和一个长度为30的子队列,然后再进行入库。此外,在筛选异常数据时,若某一异常数据后面紧邻的多个(例如10个)数据连续都被判定为异常数据(即从该异常数据开始,后面的连续多个数据相对于该异常数据来说都没有发生突变),那么将认为从该异常数据开始,数据已经恢复正常,并重新将上述情况中的异常数据重新标记为正常数据。
需要说明的是,本实施例中所述的n2个未被分过组的数据中,连续正常的数据不超过M3个。也就是说,若当前异常数据的前面未被分过组的数据中具有超过M3(例如10)个连续正常的数据,那么当分组时,只需要截取M3(例如10)个连续正常的数据即可。
本发明中的队列入库原则包括:
1、将数据总队列从前往后依次进行分组,按照分组的先后顺序依次进行队列入库,一个数据至多只能被分组一次。
2、在未被分过组的数据队列中,若存在异常数据,并且某异常数据后面紧邻至少M3个连续的正常数据:
(1)若该异常数据前面存在的未被分过组的数据为n2个连续的正常数据,则当n2≥M3时,将该异常数据前面紧邻的M3个连续的正常数据、该异常数据以及该异常数据后面紧邻的M3个连续的正常数据划分为一组,然后再入库;当n2≤M3时,将该异常数据前面紧邻的n2个连续的正常数据、该异常数据以及该异常数据后面紧邻的M3个连续的正常数据划分为一组,然后再入库。
(2)若该异常数据前面存在的未被分过组的数据队列中含有其他异常数据,并且位于上述数据队列前部的第一个其他异常数据前面存在的未被分过组的数据为n2个连续的正常数据:①若n2≤M3,则当上述第一个其他异常数据前面的第n2个未被分过组的正常数据至上述某异常数据后面的第M3个正常数据之间的子队列长度小于阈值M4时,将上述子队列中的数据划分为一组,然后再入库;当上述第一个其他异常数据前面的第n2个未被分过组的正常数据至上述某异常数据后面的第M3个正常数据之间的子队列长度大于阈值M4时,将上述子队列中的前M4个数据划分为一组,然后再入库;②若n2≥M3,则当上述第一个其他异常数据前面的第M3个未被分过组的正常数据至上述某异常数据后面的第M3个正常数据之间的子队列长度小于阈值M4时,将上述子队列中的数据划分为一组,然后再入库;当上述第一个其他异常数据前面的第M3个未被分过组的正常数据至上述某异常数据后面的第M3个正常数据之间的子队列长度大于阈值M4时,将上述子队列中的前M4个数据划分为一组,然后再入库。
3、在未被分过组的数据队列中,若存在异常数据,但每一异常数据后面紧邻的连续正常数据的数量不超过M3个,并且位于上述数据队列前部的第一个异常数据前面存在的未被分过组的数据为n2个连续的正常数据:①若n2≤M3,则当上述第一个异常数据前面的第n2个未被分过组的正常数据至上述数据队列中某数据之间的子队列长度为M4时,将上述子队列中的数据划分为一组,然后再入库;②若n2≥M3,则当上述第一个异常数据前面的第M3个未被分过组的正常数据至上述数据队列中某数据之间的子队列长度为M4时,将上述子队列中的数据划分为一组,然后再入库。
本发明中独创的队列入库方式,既保证了使甄别出的不良数据能够得到充分的展示和观察,又摈弃了无意义数据的入库,高效地利用了内存库的存储空间,进而使得电网自动化数据监测的工作效率更高、效果更好。
图3是本发明实施例三提供的电网自动化数据质量监测方法的流程示意图,如图3所示,在实施例一的基础上,所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值时,具体包括:
S1031、在数据队列中,从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据。
S1032、当查找到的正常数据的数量达到n1个时,将上述n1个正常量测数据放入平均数求解集合中。
S1033、然后再利用加权平均法计算出平均数求解集合中的n1个量测数据的加权算数平均值。
进一步地,当从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据时,若连续n1次查找到的量测数据均为异常数据,则将前n1次查找到的量测数据重新标记为正常数据。即,若某一异常数据后面紧邻的多个(例如5个)数据连续都被判定为异常数据(即从该异常数据开始,后面的连续多个数据相对于该异常数据来说都没有发生突变),那么将认为从该异常数据开始,数据已经恢复正常。
也就是说,当某一数据发生突变后,需要查找前n1个数据来作为参照以作进一步甄别时,在查找这n1个数据的过程中,只选取正常数据来作为参照,当遇到异常数据时则跳过该异常数据,这样就保证了异常数据甄别结果的可靠性和准确性。
图4是本发明实施例四提供的电网自动化数据质量监测方法的流程示意图,如图4所示,在实施例一的基础上,所述的电网自动化数据质量监测方法,还可包括:
S108、根据异常数据库中的各组数据子队列中的数据,获取并输出显示异常数据曲线,并在曲线上标注出异常数据点。
通过曲线图,能够直观且快速地对异常数据点进行观察,便于后期的数据分析和处理。
本发明还提供了一种存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载并执行如权上所述的电网自动化数据质量监测方法。所述存储介质可为一计算机可读存储介质,可以包括:ROM、RAM、磁盘或光盘等。
本发明还提供了一种终端设备,所述终端设备可包括:处理器,适于实现各指令;以及存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载并执行如权上所述的电网自动化数据质量监测方法。所述终端设备可为任意具有数据质量监测功能的监测装置,该装置可以是各种设备,例如:个人电脑、手机、平板电脑等,具体可以通过软件和/或硬件来实现。
本发明还提供了一种能够实现上述监测方法的监测系统,图5是本发明实施例一提供的电网自动化数据质量监测系统的结构示意图,如图5所示,电网自动化数据质量监测系统,可包括:
数据入库单元101:实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列。
第一判断单元102:用于判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1。
第一计算单元103、用于当当前量测数据与前一个量测数据之间的差值大于阈值M1时,利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2。
所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体包括:
其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2。
第二判断单元104:用于判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2。
标记单元105:用于当当前量测数据与所述加权算数平均值之间的差值大于阈值M2时,将当前量测数据标记为异常数据。
分组单元106:将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组。
队列入库单元107:用于将分组后的数据子队列存入第二内存库中,形成异常数据库。
图6是本发明实施例二提供的电网自动化数据质量监测系统的结构示意图,如图6所示,在实施例一的基础上,所述分组单元106可包括:
第一判断模块1061:用于判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3。
第一分组模块1062:用于当当前异常数据与下一个异常数据之间的正常数据队列长度大于阈值M3时,将当前异常数据及其前面的n2个未被分过组的数据、后面的M3个正常数据,划分为一组。
第一迭代计算模块1063:用于将下一个异常数据作为当前异常数据,迭代重复判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3。
第二判断模块1064:用于当当前异常数据与下一个异常数据之间的正常数据队列长度小于阈值M3时,判断当前异常数据前面的第n2个未被分过组的数据至下一个异常数据之间的队列长度是否大于阈值M4。
第二分组模块1065:用于将当前异常数据前面的第n2个未被分过组的数据至下一个异常数据之间的队列中的前M4个数据划分为一组。
第二迭代计算模块1066:用于将数据总队列中未被分组的第一个异常数据作为当前异常数据,迭代重复判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3。
图7是本发明实施例三提供的电网自动化数据质量监测系统的结构示意图,如图7所示,在实施例一的基础上,所述第一计算单元103可包括:
查找模块1031:用于在数据队列中,从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据。
归纳模块1032:用于当查找到的正常数据的数量达到n1个时,将上述n1个正常量测数据放入平均数求解集合中。
计算模块1033:用于利用加权平均法计算出平均数求解集合中的n1个量测数据的加权算数平均值。
图8是本发明实施例四提供的电网自动化数据质量监测系统的结构示意图,如图8所示,在实施例一的基础上,所述电网自动化数据质量监测系统,还可包括:
结果展示单元108:用于根据异常数据库中的各组数据子队列中的数据,获取并输出显示异常数据曲线,并在曲线上标注出异常数据点。
本发明中的技术不仅是一个具有创造性的方案,还在相关系统中进行了实际应用。在应用过程中,系统部署可靠,成功地发现了涉及的调度系统运行过程中的异常数据,并及时给予了告警,后期经过与相关系统进行数据验证,数据监测准确、及时。本发明中的技术方案不仅帮助相关系统的自动化管理人员及时发现电网运行过程中的不良数据,对于提高国调考核指标及电网的安全稳定运行都有着及其重要的现实意义,还提高了技术管理人员对电网运行的实时感知能力,对于提高电网的精益化管理水平有着极大的促进意义,应用结果效益明显,直接经济效益显著、社会效益不可估量。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“实施例x”、“示例”、“具体示例”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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法、系统中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定的编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
Claims (8)
1.电网自动化数据质量监测方法,其特征在于:包括:
S101、实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列;
S102、判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1,如是,则执行步骤S103,否则,返回步骤S101;
S103、利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2;
所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体包括:
其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2;
S104、判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2,如是,则执行步骤S105,否则,返回步骤S101;
S105、将当前量测数据标记为异常数据;
S106、将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组;
S107、将分组后的数据子队列存入第二内存库中,形成异常数据库。
2.根据权利要求1所述的电网自动化数据质量监测方法,其特征在于:所述将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组,具体包括:
S1061、判断当前异常数据与下一个异常数据之间的正常数据队列长度是否大于阈值M3,如是,则执行步骤S1062,否则,执行步骤S1064;
S1062、将当前异常数据及其前面的n2个未被分过组的数据、后面的M3个正常数据,划分为一组;
S1063、将下一个异常数据作为当前异常数据,迭代重复步骤S1061;
S1064、判断当前异常数据前面的第n2个未被分过组的数据至下一个异常数据之间的队列长度是否大于阈值M4,如是,则执行步骤S1065,否则,执行步骤S1063;
S1065、将步骤S1064中所述的队列中的前M4个数据划分为一组;
S1066、将数据总队列中未被分组的第一个异常数据作为当前异常数据,迭代重复步骤S1061。
3.根据权利要求1所述的电网自动化数据质量监测方法,其特征在于:所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值时,具体包括:
S1031、在数据队列中,从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据;
S1032、当查找到的正常数据的数量达到n1个时,将上述n1个正常量测数据放入平均数求解集合中;
S1033、然后再利用加权平均法计算出平均数求解集合中的n1个量测数据的加权算数平均值。
4.根据权利要求3所述的电网自动化数据质量监测方法,其特征在于:
当从当前量测数据的前1个量测数据开始,从后往前依次查找正常数据时,若连续n1次查找到的量测数据均为异常数据,则将前n1次查找到的量测数据重新标记为正常数据。
5.根据权利要求1所述的电网自动化数据质量监测方法,其特征在于:所述的电网自动化数据质量监测方法,还包括:
S108、根据异常数据库中的各组数据子队列中的数据,获取并输出显示异常数据曲线,并在曲线上标注出异常数据点。
6.存储介质,其中存储有多条指令,其特征在于:所述指令适于由处理器加载并执行如权利要求1~5中任一所述的电网自动化数据质量监测方法。
7.终端设备,其特征在于:包括:
处理器,适于实现各指令;以及
存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~6中任一所述的电网自动化数据质量监测方法。
8.电网自动化数据质量监测系统,其特征在于:包括:
数据入库单元101:实时将采集到的电网自动化数据按照采集的先后顺序依次存入第一内存库中,并按照入库的先后顺序形成数据队列;
第一判断单元102:用于判断当前量测数据与前一个量测数据之间的差值是否大于阈值M1;
第一计算单元103、用于当当前量测数据与前一个量测数据之间的差值大于阈值M1时,利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,其中:n1≥2;
所述利用加权平均法计算出当前量测数据的前n1个量测数据的加权算数平均值,具体包括:
其中:xm(m=1,2,…,k)为前n1个量测数据中出现的量测值,fm(m=1,2,…,k)为前n1个量测数据中量测值xm(m=1,2,…,k)出现的次数,n1=n=f1+f2+…+fk,且n1≥2;
第二判断单元104:用于判断当前量测数据与所述加权算数平均值之间的差值是否大于阈值M2;
标记单元105:用于当当前量测数据与所述加权算数平均值之间的差值大于阈值M2时,将当前量测数据标记为异常数据;
分组单元106:将当前异常数据及其前面的n2个量测数据、后面的n3个量测数据,划分为一组;
队列入库单元107:用于将分组后的数据子队列存入第二内存库中,形成异常数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386640.5A CN109308589B (zh) | 2018-11-20 | 2018-11-20 | 电网自动化数据质量监测方法、存储介质、终端设备和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811386640.5A CN109308589B (zh) | 2018-11-20 | 2018-11-20 | 电网自动化数据质量监测方法、存储介质、终端设备和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308589A CN109308589A (zh) | 2019-02-05 |
CN109308589B true CN109308589B (zh) | 2021-09-21 |
Family
ID=65222149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811386640.5A Active CN109308589B (zh) | 2018-11-20 | 2018-11-20 | 电网自动化数据质量监测方法、存储介质、终端设备和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308589B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685399B (zh) * | 2019-02-19 | 2022-09-09 | 贵州电网有限责任公司 | 电力系统日志整合分析方法及系统 |
US11297086B2 (en) * | 2020-01-09 | 2022-04-05 | Microsoft Technology Licensing, Llc | Correlation-based network security |
CN112200436A (zh) * | 2020-09-28 | 2021-01-08 | 上海钧正网络科技有限公司 | 一种共享设备投放质量的监控方法、装置、服务器 |
CN112539694B (zh) * | 2020-11-19 | 2021-12-14 | 珠海格力电器股份有限公司 | 一种汽车的车身高度检测装置、方法和汽车 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
CN105221132A (zh) * | 2014-06-30 | 2016-01-06 | 中国石油化工股份有限公司 | 一种钻井工程参数状态检测方法 |
CN108022046A (zh) * | 2017-12-05 | 2018-05-11 | 国网江西省电力有限公司景德镇供电分公司 | 一种电力系统数据质量评估方法、存储介质及设备 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003903994A0 (en) * | 2003-07-31 | 2003-08-14 | Canon Kabushiki Kaisha | Collaborative editing with automatic layout |
-
2018
- 2018-11-20 CN CN201811386640.5A patent/CN109308589B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
CN105221132A (zh) * | 2014-06-30 | 2016-01-06 | 中国石油化工股份有限公司 | 一种钻井工程参数状态检测方法 |
CN108022046A (zh) * | 2017-12-05 | 2018-05-11 | 国网江西省电力有限公司景德镇供电分公司 | 一种电力系统数据质量评估方法、存储介质及设备 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109308589A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308589B (zh) | 电网自动化数据质量监测方法、存储介质、终端设备和系统 | |
US10248528B2 (en) | System monitoring method and apparatus | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN107493277B (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
CN106502868B (zh) | 一种适用于云计算的动态调整监测频率方法 | |
CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
US20190033351A1 (en) | Data cost effective fast similarity search with priority access | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
KR101893563B1 (ko) | 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법 | |
CN106603299B (zh) | 一种服务健康指数的生成方法及装置 | |
CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN115409283A (zh) | 设备故障预测方法、设备故障预测装置、设备及存储介质 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN105429792A (zh) | 用户行为流量获取方法及装置、用户行为分析方法及系统 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN111460027A (zh) | 一种适用于能源互联网的智能动态监测方法及系统 | |
CN113468014A (zh) | 一种运维数据的异常检测方法及装置 | |
CN115765182A (zh) | 基于时序数据库的数字孪生方法及装置 | |
CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 | |
CN112732517B (zh) | 一种磁盘故障告警方法、装置、设备及可读存储介质 |
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 |