CN109507468B - 一种基于关联特征的汇流箱支路电流检测方法及系统 - Google Patents

一种基于关联特征的汇流箱支路电流检测方法及系统 Download PDF

Info

Publication number
CN109507468B
CN109507468B CN201811569481.2A CN201811569481A CN109507468B CN 109507468 B CN109507468 B CN 109507468B CN 201811569481 A CN201811569481 A CN 201811569481A CN 109507468 B CN109507468 B CN 109507468B
Authority
CN
China
Prior art keywords
deviation
day
data
degree
monitoring
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
Application number
CN201811569481.2A
Other languages
English (en)
Other versions
CN109507468A (zh
Inventor
黄颖
曹安
林怡然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jz Energy Co ltd
Original Assignee
Jz Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jz Energy Co ltd filed Critical Jz Energy Co ltd
Priority to CN201811569481.2A priority Critical patent/CN109507468B/zh
Publication of CN109507468A publication Critical patent/CN109507468A/zh
Application granted granted Critical
Publication of CN109507468B publication Critical patent/CN109507468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于关联特征的汇流箱支路电流检测系统及方法，该系统包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备则与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测，通过本发明，可实现直流汇流箱支路的异常检测。

Description

一种基于关联特征的汇流箱支路电流检测方法及系统
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种基于关联特征的汇流箱支路电流检测方法及系统。
背景技术
太阳能发电作为一种低碳可再生能源，在国内外得到迅猛发展。为了减少光伏组件与并网逆变器之间的连接线，方便维护，需在光伏组件与并网逆变器之间增加光伏直流汇流装置，即光伏汇流箱，将一定数量的光伏阵列(通常包括16路光伏组串)汇流成一路直流输出，然后由并网逆变器将所述汇流输出的直流电逆变为交流电后传输至输电网络。
目前，光伏汇流箱通常分为两种，其中一种只具有简单的汇流功能，另一种除了具有汇流功能之外还具有实时监测各电流输入支路的电流以及汇流输出电压的功能，因此称为智能光伏汇流箱。智能光伏汇流箱的电流检测功能和电压检测功能主要用于判断光伏电流输入支路是否开路、短路及发电异常，以便及时排查光伏组件故障，减少发电损失。
对于采用集中式逆变器的光伏电站而言，直流汇流箱支路的电流情况直接反映了对应支路连接的光伏板的发电情况。若支路电流异常偏低，则意味着组件收到遮挡、隐裂、接线不良等威胁，影响了发电安全核发电效率。
目前，直流汇流箱支路异常主要通过电流/辐射阈值等方式简单判断，或者目前也出现了简单的方差算法，然而，这类简单算法在应对天气变化引起的发电情况波动时往往不甚理想，甚至会出现很多的漏报和误报，给运维工作效率改进带来一定的困难。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种基于关联特征的汇流箱支路电流检测方法及系统，以基于云部署设计，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对上云的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。
为达上述及其它目的，本发明提出一种基于关联特征的汇流箱支路电流检测系统，包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备则与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测。
优选地，所述采集器为嵌入式采集器，通过所述交换机以IEC103/104协议与所述测控设备通信，所述测控设备以Modbus协议通过485线和电站设备进行通信。
优选地，所述云平台包括：
数据采集处理单元，用于从所述采集器实时采集数据，并将采集到的数据存入数据库；
偏离度和波动程度阈值获取单元，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值和波动程度阈值；
偏离度和波动程度计算单元，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算滑动时间窗口T中的偏离度ratio和波动程度var；
异常预测单元，用于将所述偏离度和波动程度计算单元计算获得的偏离度ratio和波动程度var与所述偏离度和波动程度阈值获取单元获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。
优选地，所述数据采集处理单元将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中。
优选地，对于某些数据量大的设备，所述数据采集处理单元自动分电站分表存储。
为达到上述目的，本发明还提供一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：
步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，获得偏离度阈值和波动程度阈值；
步骤S2,对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算滑动时间窗口T中的偏离度ratio和波动程度var；
步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var和步骤S1获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。
优选地，于步骤S3中，当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。
优选地，于步骤S2中，所述偏离度ratio计算如下：
Figure GDA0002856806800000031
Figure GDA0002856806800000032
Figure GDA0002856806800000033
Figure GDA0002856806800000034
表示第k天第j次监测对象i与群体记录
Figure GDA0002856806800000035
的差值，
Figure GDA0002856806800000036
表示第k天群体记录
Figure GDA0002856806800000037
与群体记录
Figure GDA0002856806800000038
的差值，第k天第j次N个监测对象的均值
Figure GDA0002856806800000039
第k天N个实体的均值
Figure GDA00028568068000000310
其中对于监测对象i的K天*M次历史数据为：
Figure GDA0002856806800000041
N表示监测对象的个数。
优选地，于步骤S2中，所述波动程度var计算如下：
Figure GDA0002856806800000042
Figure GDA0002856806800000043
Figure GDA0002856806800000044
其中，对于第k天第j次采样，
Figure GDA0002856806800000045
表示实体i与当天i均值的差值，
Figure GDA0002856806800000046
表示N个实体在第j次与全天的差值，同样，第k天第j次N个监测对象的均值
Figure GDA0002856806800000047
第k天N个实体的均值
Figure GDA0002856806800000048
对于监测对象i的K天*M次历史数据为
Figure GDA0002856806800000049
N表示监测对象的个数。
优选地，所述偏离度阈值与波动程度阈值的计算过程如下：
步骤S100，分别计算M次监测对象i的偏离度和波动程度；
步骤S101，假设监测对象i的偏离度和波动程度服从参数u,σ2的正态分布，计算并统计一段时间的偏离度与波动程度值，使用最大似然估计法估计参数u,σ2，进而获得所述偏离度阈值和波动程度阈值。
与现有技术相比，本发明一种基于关联特征的汇流箱支路电流检测系统及方法基于云部署设计，通过对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对云平台的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。
附图说明
图1为本发明一种基于关联特征的汇流箱支路电流检测系统的拓扑结构图图；
图2为本发明具体实施例中采集器10采集和接受采集数据的示意图；
图3为本发明具体实施例中云平台端13的数据流向示意图；
图4为本发明具体实施例中中云平台端13的系统结构图；
图5为本发明一种基于关联特征的汇流箱支路电流检测方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于关联特征的汇流箱支路电流检测系统的拓扑结构图图。如图1所示，本发明一种基于关联特征的汇流箱支路电流检测系统，包括：采集器10、交换机11、测控设备12以及云平台13。
其中，采集器10通过交换机11与测控设备12通信，测控设备12则与电站设备进行通信，采集器10作为主站通过交换机11从测控设备12获得测控设备12采集的数据后，作为子站接受云平台13的数据总召，云平台13从采集器10收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测，对电站设备，即监控对象的监控。
在本发明具体实施例中，采集器10为嵌入式采集器，通过交换机11，以IEC103/104协议与测控设备12通信，然后测控设备12以Modbus协议通过485线和电站设备进行通信，采集器10将数据采集后作为IEC104子站接受云平台的数据总召，云平台收集和处理数据后，即可代替就地的监控。这种方案的好处是可以应对设备分布较广的电站，避免RS-485线通信距离有限带来的影响，减小定制开发Modbus协议的代价，一般地，装机容量大于2MW的电站常用该种方案。(图1中靠上的机器作为靠下一级机器的主站，从下采集数据)
图2为本发明具体实施例中采集器10采集和接受采集数据的示意图。以下将配合图2说明本发明采集器10作为104协议主站采集测控设备数据和作为104协议子站接受采集的过程：在本发明中，采集器10中运行着定制的通信管理软件，其104通道号和点号对应关系，分遥测、遥信、遥脉(电量)的信号类型，存储在配置文件夹中各自的csv文件里，然后针对每一个向下采集的通道不同的协议配置，生成对应的protocol文件，然后由通信管理的主程序根据通道配置和点位配置，将不同的遥测、遥脉的信号存储在专用的数据库中，然后自身作为104协议子站，接受云平台端104程序的采集。
图3为本发明具体实施例中云平台端13的数据流向示意图。在本发明具体实施例中，虚拟的云服务器通过虚拟交换机将端口暴露给外网，然后每个采集器都和开发的外网端口进行通信，接受云平台端13通信管理软件的采集。云平台端13的通信管理软件经过配置后，根据配置的电站ID和采集点的外部名称，将实时采集到的数据以外部名称为索引入库到数据库MongoDB中。然后数据库中间件根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表(如表1)中，如果表不存在，则自动创建，对于某些数据量大的设备，可以自动分电站分表存储。云服务主程序部分，则有专用的调度任务向MySql计算并写入报表，并从MySql中读取配置信息和历史数据。
表1
Figure GDA0002856806800000071
图4为本发明具体实施例中中云平台端13的系统结构图。如图4所示，云平台13包括：
数据采集处理单元130，用于从采集器10实时采集数据，并将采集到的数据存入数据库。在本发明具体实施例中，数据采集处理单元130将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中，如果表不存在，则自动创建，对于某些数据量大的设备，可以自动分电站分表存储。
偏离度和波动程度阈值学习单元131，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度阈值，其中，i的记录是一个长度为k*M的时间序列，M为采样率，即每天采样M次。
偏离度和波动程度计算单元132，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var。
异常预测单元133，用于将偏离度和波动程度计算单元132计算获得的偏离度ratio和波动程度var与偏离度和波动程度阈值学习单元131获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测，即当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。
图5为本发明一种基于关联特征的汇流箱支路电流检测方法的步骤流程图。如图5所示，本发明一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：
步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值与波动程度阈值，其中，i的记录是一个长度为k*M的时间序列，M为采样率，即每天采样M次。
步骤S2，对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var。在本发明具体实施例中，窗口T的大小与采样频率和与预警灵敏度有关，如采样为每小时k次，则时间窗口大小设为k即可。
在本发明具体实施例中，偏离度ratio计算如下：
Figure GDA0002856806800000081
Figure GDA0002856806800000082
Figure GDA0002856806800000083
其中，
Figure GDA0002856806800000084
表示第k天第j次监测对象i与群体记录
Figure GDA0002856806800000085
的差值，
Figure GDA0002856806800000086
表示第k天群体记录
Figure GDA0002856806800000087
与群体记录
Figure GDA0002856806800000088
的差值，第k天第j次N个监测对象的均值
Figure GDA0002856806800000091
第k天N个实体的均值
Figure GDA0002856806800000092
而对于监测对象i(支路电流/汇流箱)的历史数据(K天*M次)为
Figure GDA0002856806800000093
这里N即表示N个实体，即监测对象，如支路或汇流箱。
波动程度var计算如下：
Figure GDA0002856806800000094
Figure GDA0002856806800000095
Figure GDA0002856806800000096
其中，对于第k天第j次采样，
Figure GDA0002856806800000097
表示实体i与当天i均值的差值，
Figure GDA0002856806800000098
表示N个实体在第j次与全天的差值，同样，第k天第j次N个监测对象的均值
Figure GDA0002856806800000099
第k天N个实体的均值
Figure GDA00028568068000000910
而对于监测对象i(支路电流/汇流箱)的历史数据(K天*M次)为
Figure GDA00028568068000000911
这里N即表示N个实体，即监测对象，如支路或汇流箱。
步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var和步骤S1获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测，即当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。
优选地，于步骤S1中，偏离度阈值与波动程度阈值的计算过程如下(以偏离度阈值为例，波动程度阈值的计算过程与之类似)：
步骤S100，计算n次监测对象i的偏离度r值，表示为(r1,...,rn)；
步骤S101，假设监测对象i的偏离度r服从参数u,σ2的正态分布，计算并统计一段时间的r值，使用最大似然估计法估计参数u,σ2
其中，似然函数如下：
Figure GDA0002856806800000101
Figure GDA0002856806800000102
令偏导数为0，得到
Figure GDA0002856806800000103
对其求得极值点为
Figure GDA0002856806800000104
Figure GDA0002856806800000105
在正态分布的假设下，区域u±3σ包含了99.7％的数据，也就是说，如果某个监测对象的偏离度r值距离分布的均值u*超过了3σ，那么这个r值就可以被简单的标记为一个异常点。
以下将通过一具体实施例来说明本发明之汇流箱支路电流检测过程：在描述检测过程前，先对所涉及的名词或符号进行定义：
1、实体：即监测对象，共N个实体，如支路或汇流箱
2、采样率：每天采样M次
3、对于实体i(支路电流/汇流箱)的历史数据(K天*M次)为
Figure GDA0002856806800000111
4、实体i与群体的偏离度
第k天第j次N个实体的均值
Figure GDA0002856806800000112
第k天N个实体的均值
Figure GDA0002856806800000113
也就是说，
Figure GDA0002856806800000114
用来衡量N个实体的第k天第j次记录分布情况，
Figure GDA0002856806800000115
用来衡量N个实体的第k天记录分布情况，那么：
第k天第j次实体i与群体记录
Figure GDA0002856806800000116
的差值为
Figure GDA0002856806800000117
第k天群体记录
Figure GDA0002856806800000118
与群体记录
Figure GDA0002856806800000119
的差值为
Figure GDA00028568068000001110
本发明用实体i与群体的偏离度来表示实体i是否与群体记录一致：
Figure GDA00028568068000001111
Figure GDA00028568068000001112
对于第k天第j次采样，计算实体i与N个实体的差值
Figure GDA00028568068000001113
以及N个实体在第j次与全天的差值
Figure GDA00028568068000001114
若两者有更高几率具有相同趋势，即乘积为正数；与之相反，如两者乘积为负数，则表示实体i的该次采样与群体不同。
则偏离度定义为：
Figure GDA00028568068000001115
当实体i的偏离度超过阈值α，即ratio>α时，认为实体i数据异常。
5、实体i的波动比例
实体i第k天均值
Figure GDA0002856806800000121
其中，
Figure GDA0002856806800000122
用来衡量实体i的第k天记录分布情况，实体i的第k天第j次实体i与i当天均值的差值为
Figure GDA0002856806800000123
第k天群体记录
Figure GDA0002856806800000124
与群体记录
Figure GDA0002856806800000125
的差值为
Figure GDA0002856806800000126
那么用实体i的历史波动性来表示实体i是否与自身历史记录一致：
Figure GDA0002856806800000127
Figure GDA0002856806800000128
对于第k天第j次采样，计算实体i与当天i均值的差值为
Figure GDA0002856806800000129
以及N个实体在第j次与全天的差值
Figure GDA00028568068000001210
若两者有更高几率具有相同趋势，即乘积为正数，与之相反，如两者乘积为负数，则表示实体i的该次采样与自身历史不同。
那么波动比例即波动程度var定义为：
Figure GDA00028568068000001211
当实体i的波动比例超过阈值β，即var>β时，认为实体i数据异常。
6、异常预测过程
给定N个实体的历史k天监测记录
Figure GDA00028568068000001212
对实体i学习偏离度和波动程度，获得阈值αi和βi，i的记录是一个长度为k*M的时间序列
Figure GDA0002856806800000131
在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var，若两者都超过阈值，ratio>αi且var>βi，则可判定滑动时间窗口的最后一次记录数据异常。
综上所述，本发明一种基于关联特征的汇流箱支路电流检测系统及方法基于云部署设计，通过对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对云平台的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (8)

1.一种基于关联特征的汇流箱支路电流检测系统，包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测；
所述云平台包括：
数据采集处理单元，用于从所述采集器实时采集数据，并将采集到的数据存入数据库；
偏离度和波动程度阈值获取单元，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值和波动程度阈值；
偏离度和波动程度计算单元，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算滑动时间窗口T中的偏离度ratio和波动程度var；
所述偏离度ratio计算如下：
Figure FDA0002883304760000011
Figure FDA0002883304760000012
Figure FDA0002883304760000013
Figure FDA0002883304760000014
表示第k天第j次监测对象i与第k天第j次N个监测对象的均值
Figure FDA0002883304760000015
的差值，
Figure FDA0002883304760000016
表示第k天第j次N个监测对象的均值
Figure FDA0002883304760000017
与第k天N个监测对象的均值
Figure FDA0002883304760000018
的差值，第k天第j次N个监测对象的均值
Figure FDA0002883304760000019
第k天N个监测对象的均值
Figure FDA0002883304760000021
其中对于监测对象i的K天*M次历史数据为：
Figure FDA0002883304760000022
N表示监测对象的个数；
异常预测单元，用于将所述偏离度和波动程度计算单元计算获得的偏离度ratio和波动程度var与所述偏离度和波动程度阈值获取单元获得的偏离度阈值和波动程度阈值进行比较，根据比较结果实现异常预测。
2.如权利要求1所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：所述采集器为嵌入式采集器，通过所述交换机以IEC103/104协议与所述测控设备通信，所述测控设备以Modbus协议通过485线和电站设备进行通信。
3.如权利要求1所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：所述数据采集处理单元将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中。
4.如权利要求3所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：对于某些数据量大的设备，所述数据采集处理单元自动分电站分表存储。
5.一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：
步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，获得偏离度阈值和波动程度阈值；
步骤S2,对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算滑动时间窗口T中的偏离度ratio和波动程度var；
于步骤S2中，所述偏离度ratio计算如下：
Figure FDA0002883304760000031
Figure FDA0002883304760000032
Figure FDA0002883304760000033
Figure FDA0002883304760000034
表示第k天第j次监测对象i与第k天第j次N个监测对象的均值
Figure FDA0002883304760000035
的差值，
Figure FDA0002883304760000036
表示第k天第j次N个监测对象的均值
Figure FDA0002883304760000037
与第k天N个监测对象的均值
Figure FDA0002883304760000038
的差值，第k天第j次N个监测对象的均值
Figure FDA0002883304760000039
第k天N个监测对象的均值
Figure FDA00028833047600000310
其中对于监测对象i的K天*M次历史数据为：
Figure FDA00028833047600000311
N表示监测对象的个数；
步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var和步骤S1获得的偏离度阈值和波动程度阈值进行比较，根据比较结果实现异常预测。
6.如权利要求5所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于：于步骤S3中，当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。
7.如权利要求5所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于，于步骤S2中，所述波动程度var计算如下：
Figure FDA00028833047600000312
Figure FDA0002883304760000041
Figure FDA0002883304760000042
其中，对于第k天第j次采样，
Figure FDA0002883304760000043
表示第k天第j次监测对象i与当天i均值的差值，
Figure FDA0002883304760000044
表示第k天第j次N个监测对象的均值与第k天N个监测对象的均值的差值，同样，第k天第j次N个监测对象的均值
Figure FDA0002883304760000045
第k天N个监测对象的均值
Figure FDA0002883304760000046
对于监测对象i的K天*M次历史数据为
Figure FDA0002883304760000047
N表示监测对象的个数。
8.如权利要求5所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于，所述偏离度阈值与波动程度阈值的计算过程如下：
步骤S100，分别计算M次监测对象i的偏离度和波动程度；
步骤S101，假设监测对象i的偏离度和波动程度服从参数u,σ2的正态分布，计算并统计一段时间的偏离度与波动程度值，使用最大似然估计法估计参数u,σ2，进而获得所述偏离度阈值和波动程度阈值。
CN201811569481.2A 2018-12-21 2018-12-21 一种基于关联特征的汇流箱支路电流检测方法及系统 Active CN109507468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811569481.2A CN109507468B (zh) 2018-12-21 2018-12-21 一种基于关联特征的汇流箱支路电流检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811569481.2A CN109507468B (zh) 2018-12-21 2018-12-21 一种基于关联特征的汇流箱支路电流检测方法及系统

Publications (2)

Publication Number Publication Date
CN109507468A CN109507468A (zh) 2019-03-22
CN109507468B true CN109507468B (zh) 2021-03-19

Family

ID=65754044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811569481.2A Active CN109507468B (zh) 2018-12-21 2018-12-21 一种基于关联特征的汇流箱支路电流检测方法及系统

Country Status (1)

Country Link
CN (1) CN109507468B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116930595B (zh) * 2023-09-18 2023-11-24 法拉迪电气有限公司 一种用于新能源并网调压的精准数据计量方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900834A (zh) * 2010-03-23 2010-12-01 中国地震局地震研究所 一种检测电离层tec异常的方法
CN103454491A (zh) * 2013-08-15 2013-12-18 江苏科技大学 智能电表及电能质量检测方法
CN106022335A (zh) * 2016-05-16 2016-10-12 宋育锋 一种针对印刷特征的线段偏离度特征提取方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6331769B1 (en) * 1999-06-18 2001-12-18 Anritsu Company RMS power sensor with 84 dB dynamic range
EP1487077A3 (de) * 2003-06-10 2005-04-20 Siemens Aktiengesellschaft Selbstlernende elektronische Sicherung
CN103678285A (zh) * 2012-08-31 2014-03-26 富士通株式会社 机器翻译方法和机器翻译系统
CN103235221B (zh) * 2013-04-18 2015-04-01 河海大学常州校区 光伏电站远程监控的故障检测系统及检测方法
CN104333015B (zh) * 2014-11-19 2016-08-17 国网上海市电力公司 一种无功设备综合控制方法和系统
CN105187010B (zh) * 2015-09-07 2018-03-13 无锡联盛合众新能源有限公司 一种光伏电站的智能化监控与运维系统
CN105353305B (zh) * 2015-11-17 2018-01-12 浙江大学 基于完全自适应矩阵束的电机转子偏心故障诊断方法
CN105512748A (zh) * 2015-11-27 2016-04-20 国家电网公司 一种电力通信设备运行状态的预警方法
CN107992958B (zh) * 2016-10-26 2022-03-04 航天信息股份有限公司 基于arma的人口超限预警方法
CN107153141B (zh) * 2017-05-19 2019-08-13 顺特电气设备有限公司 基于虚拟窗口的智能电气设备异常检测方法
CN107884676A (zh) * 2017-09-21 2018-04-06 青岛萨纳斯新能源科技有限公司 一种基于汇流箱支路数据的组串级预警算法
CN108737577B (zh) * 2018-08-20 2020-08-18 山东润一智能科技有限公司 医院设备安全立体监测云平台、系统及其方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900834A (zh) * 2010-03-23 2010-12-01 中国地震局地震研究所 一种检测电离层tec异常的方法
CN103454491A (zh) * 2013-08-15 2013-12-18 江苏科技大学 智能电表及电能质量检测方法
CN106022335A (zh) * 2016-05-16 2016-10-12 宋育锋 一种针对印刷特征的线段偏离度特征提取方法

Also Published As

Publication number Publication date
CN109507468A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN111010084B (zh) 一种光伏电站智能监控分析平台及方法
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
CN104020754B (zh) 一种变电站一次主设备状态监测信息接入调控系统的方法
CN104796082A (zh) 一种光伏发电系统在线故障诊断系统及方法
US11740266B2 (en) Systems and methods for monitoring energy-related data in an electrical system
CN115563873A (zh) 一种电力网络的数字孪生仿真系统及方法
CN117612345A (zh) 一种电力设备状态监测报警系统及方法
US20200393501A1 (en) Systems and methods to analyze waveforms from multiple devices in power systems
CN111527692A (zh) 判定装置、太阳光发电系统、判定方法及判定程序
CN108512222A (zh) 一种智能变电站综合自动化系统
CN110855513A (zh) 电力设备温度在线监测系统及方法
CN115204654A (zh) 一种电网线损实时监测设备及其检测系统
CN117852773B (zh) 一种配电网路故障定位系统
CN116644291A (zh) 一种基于云边协同的储能电池多风险类型预警方法
CN114825625A (zh) 一种电池储能电站运维系统及方法
CN109507468B (zh) 一种基于关联特征的汇流箱支路电流检测方法及系统
CN109655715A (zh) 一种基于电网故障智能识别设备的电网故障识别方法
CN109298228A (zh) 一种基于光伏组串电流异常的智能化诊断方法及系统
CN105548873A (zh) 用于在线监测装置实现开关设备健康诊断的方法及系统
CN104601107A (zh) 一种云光伏故障诊断系统
CN115954865A (zh) 一种基于人工智能的配电网低压拓扑分析方法及系统
CN116381380A (zh) 一种用于智能变电站故障录波器的动态故障监管系统
CN113933747A (zh) 电压互感器二次回路接地电流检测系统及检测方法
Guo et al. Realization of Initiative Repair of Power Distribution Network Based on Backpropagation Neural Network Optimization.
CN112415343A (zh) 一种多状态量可组态全封闭式气体组合电器的智能组件

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