CN109491339A - 一种基于大数据的变电站设备运行状态预警系统 - Google Patents
一种基于大数据的变电站设备运行状态预警系统 Download PDFInfo
- Publication number
- CN109491339A CN109491339A CN201811366985.4A CN201811366985A CN109491339A CN 109491339 A CN109491339 A CN 109491339A CN 201811366985 A CN201811366985 A CN 201811366985A CN 109491339 A CN109491339 A CN 109491339A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- module
- operating condition
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000001143 conditioned effect Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000005201 scrubbing Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims 2
- 238000000844 transformation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 4
- 230000003455 independent Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/4186—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by protocol, e.g. MAP, TOP
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的变电站设备运行状态预警系统,包括变电站设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备运行状态预警系统以及云资源池;所述变电站设备数据监测模块分别对变电站设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集。本发明将大数据分析技术引入到变电站设备的运行状态评估与预警中,构建基于大数据的变电站设备运行状态预警系统,能够合理高效地利用采集的监测数据;并采用时间序列自回归模型或聚类算法模型实现变电站设备的运行状态评估。
Description
技术领域
本发明属于电力设备监测技术领域,特别涉及一种基于大数据的变电站设备运行状态预警系统。
背景技术
经济的发展极大地提高了对电力的需求,此需求既包括数量的需求也包括质量的要求,同时对硬件(输变电设备)有了较为苛刻的要求,因为硬件设备是电力系统能否安全运作的基础,是企业赢取利润的关键。伴随着数字信息化时代的快速发展,信息量也呈爆炸性增长态势。当前信息通信技术与电力生产深度融合,对电力工业的价值贡献已经从量变转变到质变,其最鲜明的体现就是电力数据成为电力工业的核心资产。但是,设备在运行过程中会因为自身原因或客观原因出现问题,故障一旦出现便会对电网的安全性与可靠性带来影响。这就需要电力部门在设备运行中及时的对其进行检测与评估,及时发现设备存在的问题并进行检修,以此来使设备正常运行,且增加其寿命,最大限度的发挥其使用价值。
目前中国的电力系统已成为世界上最大规模的关系国计民生的电力网络。电力设备的可靠性、高效运行与有效管理对电力系统的安全、稳定变得愈来愈重要。如何从海量的电力设备监测数据中快速挖掘和发现设备的运行状态与缺陷信息,成为研究者和电力企业的重要关注点。智能电网中的众多传感器会实时地产生大量数据流,对新型流式数据的分析与处理,给设备的运行状态评估带来了很大的挑战。在实际的生产环境中,状态监测采集到的设备数据容量极大且类型较杂,但大数据技术能够较快地处理海量数据,并能够从繁杂的数据中,分析挖掘出有用有价值的信息。
发明内容
本发明将大数据分析技术引入到变电站设备的运行状态评估与预警中,构建基于大数据的变电站设备运行状态预警系统,能够合理高效地利用采集的监测数据;并采用时间序列自回归模型或聚类算法模型实现变电站设备的运行状态评估。
本发明具体为一种基于大数据的变电站设备运行状态预警系统,所述变电站设备运行状态预警系统包括变电站设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备运行状态预警系统以及云资源池;所述变电站设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对变电站设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述变电站设备数据监测模块将监测到的各种变电站设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关;所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心,将所述变电站设备数据监测模块监测到的变电站设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的变电站设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的变电站设备数据进行存储;所述数据加工模块与所述网省生产管理系统进行双向连接,为网省生产管理系统提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备运行状态预警系统,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估和预警,在设备运行状态异常时发出警报;所述设备运行状态预警系统连接到所述总部生产管理系统和所述云资源池,与所述总部生产管理系统进行交互,并将设备运行状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统进行双向交互。
进一步的,所述设备运行状态预警系统采用一阶时间序列自回归模型对变电站设备运行数据进行拟合:
其中,xt表示变电站设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常运行状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时变电站设备处于正常运行状态。
进一步的,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的运行状态评估模型并存入标准高斯云模型库;
步骤(2):确定变电站设备运行状态。
所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk,ak:
计算目标函数的估计值J(θ’),如果|J(θ’)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk ak;
输出一组合云
所述步骤(2)确定变电站设备运行状态具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的运行指数,某个工况下的运行状况计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前运行指数的历史值和当前值之间的关系,当α偏大时,运行指数H受历史值的影响较大而受新产生的数据影响较小,使得运行指数H变化更平稳,当α偏小时则相反;机组处于完全正常运行状态时,健康指数为1,随着与标准状态偏离度的增大,则机组运行状态趋于异常。
附图说明
图1为本发明基于大数据的变电站设备运行状态预警系统的结构示意图。
具体实施方式
下面结合附图对本发明一种基于大数据的变电站设备运行状态预警系统的具体实施方式做详细阐述。
如图1所示,本发明基于大数据的变电站设备运行状态预警系统包括变电站设备数据监测模块、状态监测代理CMA模块、网省公司输变电状态接入网关CAG、数据加工模块、网省生产管理系统PMS、网省数据中心、运检数据中心、总部生产管理系统PMS、设备运行状态预警系统以及云资源池;所述变电站设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对变电站设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述变电站设备数据监测模块将监测到的各种变电站设备数据通过状态监测代理CMA模块上传给网省公司输变电状态接入网关CAG;所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心,将所述变电站设备数据监测模块监测到的变电站设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的变电站设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的变电站设备数据进行存储;所述数据加工模块与所述网省生产管理系统PMS进行双向连接,为网省生产管理系统PMS提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统PMS与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统PMS数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备运行状态预警系统,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估和预警,在设备运行状态异常时发出警报;所述设备运行状态预警系统连接到所述总部生产管理系统PMS和所述云资源池,与所述总部生产管理系统PMS进行交互,并将设备运行状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统PMS进行双向交互。
进一步的,所述设备运行状态预警系统采用一阶时间序列自回归模型对变电站设备运行数据进行拟合:
其中,xt表示变电站设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常运行状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时变电站设备处于正常运行状态。
进一步的,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的运行状态评估模型并存入标准高斯云模型库;
步骤(2):确定变电站设备运行状态。
所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk,ak:
计算目标函数的估计值J(θ’),如果|J(θ’)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk,ak;
输出一组合云
所述步骤(2)确定变电站设备运行状态具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的运行指数,某个工况下的运行状况计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前运行指数的历史值和当前值之间的关系,当α偏大时,运行指数H受历史值的影响较大而受新产生的数据影响较小,使得运行指数H变化更平稳,当α偏小时则相反;机组处于完全正常运行状态时,健康指数为1,随着与标准状态偏离度的增大,则机组运行状态趋于异常。
最后应该说明的是,结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到,本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换,但这些修改或变更均在申请待批的权利要求保护范围之中。
Claims (6)
1.一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述变电站设备运行状态预警系统包括变电站设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备运行状态预警系统以及云资源池;所述变电站设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对变电站设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述变电站设备数据监测模块将监测到的各种变电站设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关;所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心,将所述变电站设备数据监测模块监测到的变电站设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的变电站设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的变电站设备数据进行存储;所述数据加工模块与所述网省生产管理系统进行双向连接,为网省生产管理系统提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备运行状态预警系统,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估和预警,在设备运行状态异常时发出警报;所述设备运行状态预警系统连接到所述总部生产管理系统和所述云资源池,与所述总部生产管理系统进行交互,并将设备运行状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统进行双向交互。
2.根据权利要求1所述的一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述设备运行状态预警系统采用一阶时间序列自回归模型对变电站设备运行数据进行拟合:
其中,xt表示变电站设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常运行状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时变电站设备处于正常运行状态。
3.根据权利要求1所述的一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述设备运行状态预警系统根据变电站设备数据情况对设备的运行状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的运行状态评估模型并存入标准高斯云模型库;
步骤(2):确定变电站设备运行状态。
4.根据权利要求3所述的一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
5.根据权利要求3所述的一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:σk=max(X),
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk,ak:
计算目标函数的估计值J(θ’),如果|J(θ′)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk,ak;
输出一组合云
6.根据权利要求3所述的一种基于大数据的变电站设备运行状态预警系统,其特征在于,所述步骤(2)确定变电站设备运行状态具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的运行指数,某个工况下的运行状况计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前运行指数的历史值和当前值之间的关系,当α偏大时,运行指数H受历史值的影响较大而受新产生的数据影响较小,使得运行指数H变化更平稳,当α偏小时则相反;机组处于完全正常运行状态时,健康指数为1,随着与标准状态偏离度的增大,则机组运行状态趋于异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366985.4A CN109491339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的变电站设备运行状态预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366985.4A CN109491339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的变电站设备运行状态预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109491339A true CN109491339A (zh) | 2019-03-19 |
CN109491339B CN109491339B (zh) | 2022-06-24 |
Family
ID=65695053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811366985.4A Active CN109491339B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的变电站设备运行状态预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109491339B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221173A (zh) * | 2019-06-20 | 2019-09-10 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110531197A (zh) * | 2019-09-16 | 2019-12-03 | 上海许继电气有限公司 | 针对变电站一次设备监测大数据实现实时流式处理的系统 |
CN110727669A (zh) * | 2019-10-10 | 2020-01-24 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力系统传感器数据清理装置及清理方法 |
CN112308109A (zh) * | 2020-09-08 | 2021-02-02 | 国网浙江省电力有限公司宁波供电公司 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
CN114066017A (zh) * | 2021-10-27 | 2022-02-18 | 国网福建省电力有限公司检修分公司 | 基于大数据的智能变电站光纤故障预测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710024A (zh) * | 2012-06-13 | 2012-10-03 | 广西电网公司电力科学研究院 | 基于IPv6的输变电设备在线监测系统 |
CN103123484A (zh) * | 2012-12-26 | 2013-05-29 | 辽宁省电力有限公司电力科学研究院 | 变电站状态监测数据标准化接入系统及方法 |
CN103617561A (zh) * | 2013-12-02 | 2014-03-05 | 深圳供电局有限公司 | 一种电网智能变电站二次设备状态评估系统和方法 |
CN103647276A (zh) * | 2013-12-10 | 2014-03-19 | 国家电网公司 | 一种电能质量预警系统及其方法 |
CN105093039A (zh) * | 2015-09-09 | 2015-11-25 | 成都比善科技开发有限公司 | 一种用于变电站的在线监测系统 |
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
CN106325252A (zh) * | 2016-09-28 | 2017-01-11 | 华北电力大学 | 多层大跨度面向大数据的电力设备状态监测与评估系统 |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN107014376A (zh) * | 2017-03-01 | 2017-08-04 | 华南农业大学 | 一种适用于农业机械精准作业的姿态倾角估计方法 |
-
2018
- 2018-11-16 CN CN201811366985.4A patent/CN109491339B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102710024A (zh) * | 2012-06-13 | 2012-10-03 | 广西电网公司电力科学研究院 | 基于IPv6的输变电设备在线监测系统 |
CN103123484A (zh) * | 2012-12-26 | 2013-05-29 | 辽宁省电力有限公司电力科学研究院 | 变电站状态监测数据标准化接入系统及方法 |
CN103617561A (zh) * | 2013-12-02 | 2014-03-05 | 深圳供电局有限公司 | 一种电网智能变电站二次设备状态评估系统和方法 |
CN103647276A (zh) * | 2013-12-10 | 2014-03-19 | 国家电网公司 | 一种电能质量预警系统及其方法 |
WO2016101690A1 (zh) * | 2014-12-22 | 2016-06-30 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
CN105093039A (zh) * | 2015-09-09 | 2015-11-25 | 成都比善科技开发有限公司 | 一种用于变电站的在线监测系统 |
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN106325252A (zh) * | 2016-09-28 | 2017-01-11 | 华北电力大学 | 多层大跨度面向大数据的电力设备状态监测与评估系统 |
CN107014376A (zh) * | 2017-03-01 | 2017-08-04 | 华南农业大学 | 一种适用于农业机械精准作业的姿态倾角估计方法 |
Non-Patent Citations (2)
Title |
---|
徐守坤 等: "基于多维状态参量和时间序列对电机异常的检测", 《计算机测量与控制》 * |
徐守坤 等: "基于多维状态参量和时间序列对电机异常的检测", 《计算机测量与控制》, no. 8, 31 August 2016 (2016-08-31), pages 32 - 35 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221173A (zh) * | 2019-06-20 | 2019-09-10 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110221173B (zh) * | 2019-06-20 | 2021-06-04 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110531197A (zh) * | 2019-09-16 | 2019-12-03 | 上海许继电气有限公司 | 针对变电站一次设备监测大数据实现实时流式处理的系统 |
CN110727669A (zh) * | 2019-10-10 | 2020-01-24 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力系统传感器数据清理装置及清理方法 |
CN110727669B (zh) * | 2019-10-10 | 2023-10-13 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力系统传感器数据清理装置及清理方法 |
CN112308109A (zh) * | 2020-09-08 | 2021-02-02 | 国网浙江省电力有限公司宁波供电公司 | 基于birch聚类和高斯云分布的专变用户健康状况分析方法 |
CN114066017A (zh) * | 2021-10-27 | 2022-02-18 | 国网福建省电力有限公司检修分公司 | 基于大数据的智能变电站光纤故障预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109491339B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491339A (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN108083044B (zh) | 一种基于大数据分析的电梯按需维保系统及方法 | |
CN109711664A (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN102255954A (zh) | 基于无线传感器网的高压输电网监测方法及综合监测系统 | |
CN105574604B (zh) | 一种面向电网运行事件的监控预判分析系统 | |
CN106997513A (zh) | 基于大数据分析的配网设备状态评价系统 | |
CN112098715B (zh) | 基于5g和修正gcn图神经网络的电能监控与预警系统 | |
CN106503751A (zh) | 一种基于svm分类器的输电线路易舞气象条件预报方法 | |
CN111161095A (zh) | 一种检测建筑能源异常消耗的方法 | |
CN104361535A (zh) | 一种输电线路覆冰状态评估方法 | |
CN116506339A (zh) | 一种电力行业网络安全实时监测分析系统 | |
CN103218535A (zh) | 电力通信设备检测方案的选择方法及装置 | |
CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
CN112783939A (zh) | 一种基于数据挖掘的低压配电网运行状态评估方法 | |
Zhang et al. | Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems | |
CN117521800A (zh) | 一种基于知识图谱的输电线路智能巡检方法 | |
CN117289090A (zh) | 一种开关柜局放监测系统 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN113055454A (zh) | 主变电设备监控数据的集中处理方法及系统 | |
CN202150737U (zh) | 基于无线传感器网的高压输电网综合监测系统 | |
Guo et al. | Construction of Power Equipment Running Status Monitoring System Based on Infrared Temperature Measurement Technology and Big Data Algorithm |
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 |