CN109711450A - 一种电网预想故障集预测方法、装置、电子设备及存储介质 - Google Patents
一种电网预想故障集预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109711450A CN109711450A CN201811563729.4A CN201811563729A CN109711450A CN 109711450 A CN109711450 A CN 109711450A CN 201811563729 A CN201811563729 A CN 201811563729A CN 109711450 A CN109711450 A CN 109711450A
- Authority
- CN
- China
- Prior art keywords
- sample
- variables set
- target
- database
- characteristic variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000003068 static effect Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电网预想故障集预测方法、装置、电子设备及存储介质,方法包括:获取目标电网断面的预设特征变量种类的目标断面特征变量集,并在预设的样本库中确定出与目标断面特征变量集匹配的样本特征变量集,其中,样本库包括样本故障集和样本特征变量集的对应关系,样本特征变量集的特征变量种类与预设特征变量种类相同,最终确定匹配的样本特征变量集对应的样本故障集为目标电网断面的预测故障集;通过比对样本库中样本的特征变量和目标电网断面的特征变量,得到当前断面对应的故障集,摆脱了目前依赖人工经验的问题,减小了故障集预想不全面的可能,实现了故障集的超实时预测,提高了工作人员的工作效率。
Description
技术领域
本发明涉及电网分析技术领域,具体而言,涉及一种电网预想故障集预测方法、装置、电子设备及存储介质。
背景技术
静态安全分析中的预想故障集生成技术是预防电网故障、模拟演练的必要手段;目前,预想故障集生成主要依靠调度员经验进行确定,但这种方法耗时较长、盲目性较大,常常漏选大量实际存在的故障。在电网运行方式改变、新设备接入时,需要人工调整预想故障集,不能自适应对故障集进行增、删、改、查,也不能考虑恶劣天气对电网的影响。因此,亟需快速、准确地预想故障集生成方法,摆脱预想故障集生成对调度员经验的依赖,提高工作效率。
发明内容
为了克服上述现有技术中的不足,本发明提供一种故障集自动生成方法、电子设备及存储介质以改善上述问题。
为了实现上述目的,本发明实施例所提供的技术方案如下所示:
第一方面,本发明实施例提供一种电网预想故障集预测方法,包括:获取目标电网断面的预设特征变量种类的目标断面特征变量集;在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集;其中,所述样本库包括样本故障集和样本特征变量集的对应关系;所述样本特征变量集的特征变量种类与所述预设特征变量种类相同;确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集。
结合第一方面,在一些可能的实现方式中,在获取目标电网断面的预设特征变量种类的目标断面特征变量集之前,所述方法还包括:获取多个电网变量作为初始特征变量集;根据预设特征变量评价规则筛选所述初始特征变量集;确定筛选后的所述初始特征变量集中包含的特征变量种类为所述预设特征变量种类。
结合第一方面,在一些可能的实现方式中,所述根据预设特征变量评价规则筛选所述初始特征变量集,包括:获取样本库中每个样本特征变量集的所有特征变量;基于Relief算法,确定初始特征变量集中每个特征变量的权重值;删除初始特征变量集中,权重值低于预设阈值的特征变量。
结合第一方面,在一些可能的实现方式中,方法还包括:采用至少一种采集方式获取至少一个初始样本库,组合至少一个初始样本库得到静态样本库,初始样本库包括每一个样本的样本故障集及样本故障集对应的样本特征变量集;按照预设样本评价规则筛选静态样本库;确定筛选后的静态样本库为样本库。
结合第一方面,在一些可能的实现方式中,在预设的样本库中确定出与目标断面特征变量集匹配的样本特征变量集之前,方法还包括:设定目标断面特征变量集与样本库中的样本特征变量集的初始评价值;根据目标断面特征变量集对预测故障集的预测结果,对静态样本库中样本的初始评价值进行更新,其中,预测结果包括:正确、错误和不相关;删除静态样本库中,低于预设评价阈值的评价值对应的样本特征变量集以及样本特征变量集对应的样本故障集,得到样本库。
结合第一方面,在一些可能的实现方式中,所述在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集,包括:比对所述目标断面特征变量集与所述样本库中的样本特征变量集,获取所述目标电网断面与所述样本库中各个样本之间的相似度;确定所述相似度最高的样本特征变量集为与所述目标断面特征变量集匹配的样本特征变量集。
结合第一方面,在一些可能的实现方式中,在预设的样本库中确定出与目标断面特征变量集匹配的样本特征变量集,包括:归一化处理目标断面特征变量集与样本特征变量集中的每一个特征变量;并基于k-邻近算法计算目标断面特征变量集与样本库中各个样本特征变量集之间的分类距离;对应的,确定相似度最高的样本特征变量集为与目标断面特征变量集匹配的样本特征变量集,包括:确定分类距离最短的样本特征变量集为相似度最高的样本特征变量集。
第二方面,本发明实施例还提供一种电网预想故障集预测装置,包括:接收模块,用于获取目标电网断面的预设特征变量种类的目标断面特征变量集;处理模块,用于在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集,并确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集;发送模块,用于发送所述预测故障集给工作人员。
第三方面,本发明实施例还提供一种电子设备,所述设备包括:
存储器及处理器,存储器用于存储故障预测指令,处理器用于运行所述故障预测指令以执行如第一方面任意一种实现方式中所述的电网预想故障集预测方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如第一方面任意一种实现方式中所述的电网预想故障集预测方法。
本发明的有益效果包括:
通过获取到目标电网断面的预设特征变量种类的特征,并根据预设的样本库中每一个样本的样本特征变量集进行比对分析,得到样本库中匹配的样本特征变量集对应的样本故障集,进而预测到当前电网断面出现的故障类型,而不再依靠调度人员的经验根据当前电网断面的电网变量及样本库中的样本故障进行分析,一方面提高了工作人员的效率,另一方面对当前电网断面的分析更加充分。
为使本发明的上述目的、特征和优点能更明显易懂,下文举出本发明实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1本发明实施例提供的一种电网预想故障集预测方法的流程示意图;
图2为本发明实施例提供的一种优化筛选得到预设特征变量种类的流程示意图;
图3为本发明实施例提供的一种生成样本库方法的流程示意图;
图4为本发明实施例提供的一种电网预想故障集预测装置的功能框图。
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一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,指示方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接连接,也可以通过中间媒介间接连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本实施例提供一种电网预想故障集自动生成方法,用于预测某地调电网的预想故障集,并对所预测的预想故障集进行验证。根据存储的样本库及预测方法预测某一电网断面出现的故障集,具体的,请参考图1,图1为本发明实施例提供的一种电网预想故障集预测方法的流程示意图。所述方法包括步骤S101-步骤S103:
步骤S101:获取目标电网断面的预设特征变量种类的目标断面特征变量集;
其中,所述样本库包括样本故障集和样本特征变量集的对应关系,且所述样本特征变量集的特征变量的种类与所述预设特征变量种类相同,所述目标断面特征变量集的特征变量包括电网中的全变量,例如母线电压、支路功率等,本实施例对此不做限制。
步骤S102:在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集;
可以理解的是,所述目标断面特征变量集包含的特征类别也与所述样本特征变量集包含的特征变量的类别相同,通过根据预设的匹配规则,在预设的样本库中对样本特征变量集及目标断面特征变量集进行比对,确定出与所述目标断面特征变量集匹配的样本特征变量集。
步骤S103:确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集。
通过利用样本库,比对目标电网断面的多个目标特征及样本库中每个样本的样本特征,进而根据匹配结果,确定样本库中匹配的样本特征变量集对应的样本故障集为当前断面的预测故障集;从而代替了现有通过工作人员经验对当前电网断面故障集预想设定的方式,一方面提高了工作人员的效率,另一方面能够更为全面地设定电网断面所对应的故障集,防止出现重大故障集遗漏的问题。
可选的,也可以对电网变量进行优化筛选得到预设特征变量种类,选择更能得出正确预测故障集的特征变量加入到所述预设特征变量种类中。请参考图2,图2为本发明实施例提供的一种优化筛选得到预设特征变量种类的流程示意图。所述筛选特征变量种类的方法包括:
步骤S201:获取多个电网变量作为初始特征变量集;
其中,多个电网变量可以包括电网断面中可以获取或者检测到的所有电网变量,进而通过筛选,不会担心存在许多无意义特征,而能得出合适的电网变量作为判定特征。
步骤S202:根据预设特征变量评价规则筛选所述初始特征变量集;
其中,所述预设特征变量评价规则可以采用:主成分分析法、核主成分分析法、偏最小二乘法以及Relief算法等中的一种或多种。
可选的,基于Relief算法,获取预设特征变量种类的方法包括:获取样本库中每个样本特征变量集的所有特征变量;基于Relief算法,确定初始特征变量集中每个特征变量的权重值;删除初始特征变量集中,权重值低于预设阈值的特征变量。
一种获取预设特征变量种类的实现方式为:设定样本库中的样本特征变量集为(xi,yi),i=1,2,…,N,xi为电网断面特征变量,yi为样本故障集。定义第p个特征变量所对应的权重为
其中N为样本数量,xi(p)为第p个特征变量,为与xi(p)欧式距离最近的同类样本,为与xi(p)欧式距离最近的异类样本。特征变量权重w(p)越大,则对应的特征变量的贡献作用就越大,进而使用w(p)≥δ进行筛选特征变量,最终得出能够表征样本特征变量集的最优特征变量,其中δ为阈值,本实例中选择权重值较大且相对稳定的特征变量权值作为阈值。
根据上述公式计算得到所述每个特征变量的权重值,进而根据预设阈值,删除所述初始特征变量集中低于所述预设阈值的所述区别相似度对应的特征变量,完成对初始特征变量集的筛选,在其他实施例中,还可以采用主成分分析法等实现特征变量筛选,本实施例对此不做限制。
步骤S203:确定筛选后的所述初始特征变量集为所述判定特征变量集。
通过选择可以测得的电网变量中较能体现故障集的特征,能够减小不相关电网变量对目标故障集预测的影响,提高预测的准确性。
可选的,本实施例还提出一种生成所述样本库的方法,用于集合现有的故障集样本获取方式,并对样本进行筛选,生成所述样本库。请参考图3,图3为本实施例提供的一种生成所述样本库方法的流程示意图。所述生成所述样本库的方法的步骤包括步骤S301-步骤S303:
步骤S301:采用至少一种采集方式获取至少一个初始样本库,组合所述至少一个初始故障集样本集得到静态样本库;
其中,所述至少一种采集方式包括:静态安全分析N-1、N-2方法、典型预想故障集以及结合电网调度员经验等多种电网分析方法,在本实施例中,可以采用多种采集方式,以更加全面地覆盖电网运行方式中的信息,本实施例对此不做限制;所述初始样本库包括每一个样本的初始样本故障集及所述初始样本故障集对应的初始样本故障特征变量集。
步骤S302:按照预设样本评价规则筛选所述静态样本库;
其中,所述预设样本评价规则用于去除所述静态样本库中的无价值样本,筛选出所述静态样本库中更能确定预测故障集的样本。所述预设样本评价规则包括:基于可信度的方法、基于多分类器结果统一度的方法以及基于群体的增量学习算法等。
可选的,基于群体的增量学习算法,筛选所述静态样本库的一种实现方式为:设定所述目标断面特征变量集与所述样本库中的所述样本特征变量集的初始评价值;并根据所述目标断面特征变量集对所述预测故障集的预测结果,对所述静态样本库中样本的初始评价值进行更新,其中,所述预测结果包括:正确、错误和不相关;以及删除所述静态样本库中,低于预设评价阈值的所述评价值对应的样本特征变量集以及所述样本特征变量集对应的样本故障集,从而得到所述样本库。
其中,设定每一个样本在未经过筛选前的初始评价值为q0,设定学习速率参数β,且0<β<1,如果样本i为待分类样本的k个最邻近之一,并且分类结果正确,则该样本的评价值更新为:qi1=βqi1+1-β;如果样本i为待分类样本的k个最邻近之一,但分类结果错误,则该样本的评价值更新为:qi2=βqi2;如果样本i不是待分类样本的k个最邻近样本中任意一个,判定关系为不相关,则该样本的评价值更新为:qi3=βqi3+(1-β)q0。可以得知,在三种关系下,对样本进行更新,在设定阈值为q0时,去除所述样本库中,评价值低于q0的样本,以减小无价值或者降低预测正确率的样本,提高预测正确率。其中,本实例中k为5,学习速率参数β为0.9,初始评价值q0为0.5。
步骤S303:确定筛选后的所述静态样本库为所述样本库。
通过筛选出所述静态样本库中的无价值样本,能够防止该类无价值样本对步骤S103中确定当前断面的预测故障集结果的影响,提高预测正确率。
可选的,步骤S303确定所述样本库后,还可以通过在不断加入新的样本故障集的同时,设置样本库的样本数量上限,并根据所述预设样本评价规则,剔除掉所述样本库中认为最无价值的样本,以实现不断地对样本库的优化,所述方法包括:获取并添加新的样本至所述样本库,再获取预设的样本库的样本数量上限;判断所述样本库的样本数量是否小于等于所述样本数量上限,在为否时,根据所述预设样本评价规则删除所述样本库中的样本,直至所述样本库的样本数量是否小于等于所述样本数量上限。
可选的,所述新的故障集样本可以在每一次目标电网断面预测完毕并获取预测正确与否的结果后,自动添加到所述样本库,并根据步骤S302中的预设样本评价规则进行筛选,实现动态优化,也可以由调度员根据经验输入一些新的故障集样本,本实施例对此不做限制。
可选的,样本数量上限可以通过设置多个样本数量上限,经过多次预测后,比较每个样本数量上限预测的准确率,最终选择预测准确率最高的样本数量上限作为样本库的样本数量上限,同样的,也可以由调度员根据经验或者根据应用处理器的处理能力进行选择,本实施例对此不做限制。
可以进一步理解的是,可以利用多个样本数量上限的样本库同时进行预测,根据多个样本数量上限的样本库的预测结果综合考虑,例如选择在预测结果中出现最多的故障集等,本实施例同样对此不做限制。
在获取到预设特征变量种类及样本库后,即可执行步骤S102中确定出与所述目标断面特征变量集匹配的样本特征变量集的步骤。
可选的,确定出匹配的样本特征变量集的一种实现方式为:比对所述目标电网断面的目标断面特征变量集与所述样本库中的样本特征变量集,获取所述目标电网断面与所述样本库中各个样本之间的相似度;确定所述相似度最高的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集。其中,可以采用神经网络算法或者深度学习算法等,将目标断面特征变量集的每个特征变量与每个所述样本特征变量集进行相似度比对等方式,得到相似度最高的样本特征变量集为匹配的样本特征变量集。
可选的,确定出匹配的样本特征变量集的另一种实现方式,可以采用k-邻近算法,具体为:归一化处理目标断面特征变量集与样本特征变量集中的每一个特征变量;并基于k-邻近算法计算目标断面特征变量集与样本库中各个样本特征变量集之间的分类距离;对应的,确定相似度最高的样本特征变量集为与目标断面特征变量集匹配的样本特征变量集,包括:确定分类距离最短的样本特征变量集为相似度最高的样本特征变量集。
上述实现方式的具体步骤为:设所述样本特征变量集为(xj,yj),其中,j=1,2,…,N,N为样本数量,xj为电网断面最优特征变量,yj为样本故障集。先对每个样本的每个特征变量进行归一化处理,所述归一化公式为:其中,为所述经过归一化处理后的特征对应的数值,xj为归一化处理前的特征对应的数值,max(xj)和min(xj)分别为该特征变量的种类在归一化后的最大值和最小值。进而利用k-邻近算法,计算目标断面特征变量集和所述样本库中每个样本特征变量集的分类距离,所述分类距离采用欧式距离进行计算,公式为:其中,do,j为目标断面特征变量集与第j个样本的分类距离,H为所述预设特征变量种类的特征变量数量,xon为目标特征变量集第n维变量,xjn为第j个样本第n维变量。通过计算目标断面特征变量集和所述样本库中每个样本特征变量集的分类距离,获取样本库中距离目标特征变量集最近的k个样本特征变量集,计算k个样本特征变量集与目标特征变量集距离的平均值确定与k个样本特征变量集分类距离到平均值差值最小的样本特征变量集所对应的样本故障集作为预测故障集。其中,在本实例中k=5。
在确定匹配的样本特征变量集后,执行步骤S103,根据所述样本库中样本故障集和样本特征变量集的对应关系,确定匹配的样本特征变量集对应的样本故障集作为预测故障集,完成对目标电网断面的故障预测。
请参考图4,图4为本实施例提供的一种电网预想故障集预测装置40的功能框图。本实施例还提出一种电网预想故障集预测装置40,所述装置包括:接收模块401、处理模块402和发送模块403,其中,接收模块401用于获取目标电网断面的预设特征变量种类的目标断面特征变量集;处理模块402用于在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集,并确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集;发送模块403用于发送所述预测故障集给工作人员。
可选的,接收模块401还用于获取多个电网变量作为初始特征变量集;对应的,处理模块402还用于根据预设特征变量评价规则筛选所述初始特征变量集,并确定筛选后的所述初始特征变量集为所述预设特征变量种类。
可选的,接收模块401还用于获取所述样本库中每个样本特征变量集的所有特征变量;对应的,处理模块402还用于基于Relief算法,确定初始特征变量集中每个特征变量的权重值;删除初始特征变量集中,权重值低于预设阈值的特征变量。
可选的,接收模块401还用于采用至少一种采集方式获取至少一个初始样本库,处理模块402还用于组合所述至少一个初始样本集得到静态样本库,并按照预设样本评价规则筛选所述静态样本库,确定筛选后的所述静态样本库为所述样本库。
可选的,处理模块402还用于设定目标断面特征变量集与样本库中的样本特征变量集的初始评价值;并根据目标断面特征变量集对预测故障集的预测结果,对静态样本库中样本的初始评价值进行更新,其中,预测结果包括:正确、错误和不相关;以及删除静态样本库中,低于预设评价阈值的评价值对应的样本特征变量集以及样本特征变量集对应的样本故障集,从而得到样本库。
可选的,处理模块402还用与比对所述目标电网断面的目标断面特征变量集与所述样本库中的样本特征变量集,获取所述目标电网断面与所述样本库中各个样本之间的相似度;确定所述相似度最高的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集。
可选的,处理模块402还用于归一化处理目标断面特征变量集与样本特征变量集中的每一个特征变量;并基于k-邻近算法计算目标断面特征变量集与样本库中各个样本特征变量集之间的分类距离;对应的,确定相似度最高的样本特征变量集为与目标断面特征变量集匹配的样本特征变量集,包括:确定分类距离最短的样本特征变量集为相似度最高的样本特征变量集。
本实施例还提出一种电子设备,所述电子设备包括:存储器和处理器,存储器用于存储故障预测指令,处理器用于运行所述故障预测指令以执行如上述的电网预想故障集预测方法。
本实施例还提出一种计算机可读存储介质,所述可读存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行本实施例中所述的电网预想故障集预测方法。本实施例对此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电网预想故障集预测方法,其特征在于,所述方法包括:
获取目标电网断面的预设特征变量种类的目标断面特征变量集;
在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集;其中,所述样本库包括样本故障集和样本特征变量集的对应关系,所述样本特征变量集的特征变量种类与所述预设特征变量种类相同;
确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集。
2.根据权利要求1所述的电网预想故障集预测方法,其特征在于,在获取目标电网断面的预设特征变量种类的目标断面特征变量集之前,所述方法还包括:
获取多个电网变量作为初始特征变量集;
根据预设特征变量评价规则筛选所述初始特征变量集;
确定筛选后的所述初始特征变量集中包含的特征变量种类为所述预设特征变量种类。
3.根据权利要求2所述的电网预想故障集预测方法,其特征在于,所述根据预设特征变量评价规则筛选所述初始特征变量集,包括:
获取所述样本库中每个样本特征变量集的所有特征变量;
基于Relief算法,确定所述初始特征变量集中每个所述特征变量的权重值;
删除所述初始特征变量集中,权重值低于预设阈值的所述特征变量。
4.根据权利要求1所述的电网预想故障集预测方法,其特征在于,在所述在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集之前,所述方法还包括:
采用至少一种采集方式获取至少一个初始样本库,组合所述至少一个初始样本库得到静态样本库,所述初始样本库包括每一个样本的样本故障集及所述样本故障集对应的样本特征变量集;
按照预设样本评价规则筛选所述静态样本库;
确定筛选后的所述静态样本库为所述样本库。
5.根据权利要求4所述的电网预想故障集预测方法,其特征在于,所述按照预设样本评价规则筛选所述静态样本库,包括:
设定所述目标断面特征变量集与所述样本库中的所述样本特征变量集的初始评价值;
根据所述目标断面特征变量集对所述预测故障集的预测结果,对所述静态样本库中样本的初始评价值进行更新,其中,所述预测结果包括:正确、错误和不相关;
删除所述静态样本库中,低于预设评价阈值的所述评价值对应的样本特征变量集以及所述样本特征变量集对应的样本故障集,得到所述样本库。
6.根据权利要求1所述的电网预想故障集预测方法,其特征在于,所述在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集,包括:
比对所述目标断面特征变量集与所述样本库中的样本特征变量集,获取所述目标电网断面与所述样本库中各个样本之间的相似度;
确定所述相似度最高的样本特征变量集为与所述目标断面特征变量集匹配的样本特征变量集。
7.根据权利要求6所述的电网预想故障集预测方法,其特征在于,所述比对所述目标断面特征变量集与所述样本库中的样本特征变量集,获取所述目标电网断面与所述样本库中各个样本之间的相似度,包括:
归一化处理所述目标断面特征变量集与所述样本特征变量集中的每一个特征变量;
并基于k-邻近算法计算目标断面特征变量集与所述样本库中各个样本特征变量集之间的分类距离;
对应的,所述确定所述相似度最高的样本特征变量集为与所述目标断面特征变量集匹配的样本特征变量集,包括:
确定所述分类距离最短的样本特征变量集为所述相似度最高的样本特征变量集。
8.一种电网预想故障集预测装置,其特征在于,包括:
接收模块,用于获取目标电网断面的预设特征变量种类的目标断面特征变量集;
处理模块,用于在预设的样本库中确定出与所述目标断面特征变量集匹配的样本特征变量集,并确定所述匹配的样本特征变量集对应的样本故障集为所述目标电网断面的预测故障集;
发送模块,用于发送所述预测故障集给工作人员。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储故障预测指令;及
处理器,用于运行所述故障预测指令以执行如权利要求1-7任一项所述的电网预想故障集预测方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-7中任意一项所述的电网预想故障集预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563729.4A CN109711450A (zh) | 2018-12-20 | 2018-12-20 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
PCT/CN2019/110941 WO2020125166A1 (zh) | 2018-12-20 | 2019-10-14 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563729.4A CN109711450A (zh) | 2018-12-20 | 2018-12-20 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711450A true CN109711450A (zh) | 2019-05-03 |
Family
ID=66256975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811563729.4A Pending CN109711450A (zh) | 2018-12-20 | 2018-12-20 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109711450A (zh) |
WO (1) | WO2020125166A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175002A (zh) * | 2019-07-08 | 2019-08-27 | 广东电网有限责任公司佛山供电局 | 用于配电网的实时断面保存方法、设备以及计算机介质 |
WO2020125166A1 (zh) * | 2018-12-20 | 2020-06-25 | 北京科东电力控制系统有限责任公司 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425686A (zh) * | 2008-12-11 | 2009-05-06 | 国网电力科学研究院 | 电力系统在线安全稳定评估预想故障集自适应筛选方法 |
CN102324743A (zh) * | 2011-09-21 | 2012-01-18 | 国网电力科学研究院 | 电力系统在线暂态安全稳定评估预想故障筛选方法 |
CN102629305A (zh) * | 2012-03-06 | 2012-08-08 | 上海大学 | 一种面向snp数据的特征选择方法 |
CN102638041A (zh) * | 2012-04-17 | 2012-08-15 | 国网电力科学研究院 | 电力系统调度操作在线安全稳定快速校核方法 |
CN103955609A (zh) * | 2014-04-25 | 2014-07-30 | 国家电网公司 | 一种基于台风模型的预想故障集自动生成方法 |
CN104268576A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 一种基于tnn-svm的电力系统暂态稳定分类方法 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
CN105204489A (zh) * | 2015-07-17 | 2015-12-30 | 国电南瑞科技股份有限公司 | 计及保护与安自控制代价的在线预防控制风险决策方法 |
CN106602548A (zh) * | 2016-11-25 | 2017-04-26 | 国电南瑞科技股份有限公司 | 一种基于eeac的暂态稳定关键输电断面识别方法 |
CN106712097A (zh) * | 2017-02-13 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种含大规模风电场的电力系统暂态稳定风险评估方法 |
CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017003666A1 (en) * | 2015-06-30 | 2017-01-05 | Arizona Technology Enterprises | Method and apparatus for large scale machine learning |
CN106874963B (zh) * | 2017-03-17 | 2018-11-02 | 南京邮电大学 | 一种基于大数据技术的配电网故障诊断方法及系统 |
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
CN109711450A (zh) * | 2018-12-20 | 2019-05-03 | 北京科东电力控制系统有限责任公司 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
-
2018
- 2018-12-20 CN CN201811563729.4A patent/CN109711450A/zh active Pending
-
2019
- 2019-10-14 WO PCT/CN2019/110941 patent/WO2020125166A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425686A (zh) * | 2008-12-11 | 2009-05-06 | 国网电力科学研究院 | 电力系统在线安全稳定评估预想故障集自适应筛选方法 |
CN102324743A (zh) * | 2011-09-21 | 2012-01-18 | 国网电力科学研究院 | 电力系统在线暂态安全稳定评估预想故障筛选方法 |
CN102629305A (zh) * | 2012-03-06 | 2012-08-08 | 上海大学 | 一种面向snp数据的特征选择方法 |
CN102638041A (zh) * | 2012-04-17 | 2012-08-15 | 国网电力科学研究院 | 电力系统调度操作在线安全稳定快速校核方法 |
CN103955609A (zh) * | 2014-04-25 | 2014-07-30 | 国家电网公司 | 一种基于台风模型的预想故障集自动生成方法 |
CN104268576A (zh) * | 2014-10-11 | 2015-01-07 | 国家电网公司 | 一种基于tnn-svm的电力系统暂态稳定分类方法 |
CN105204489A (zh) * | 2015-07-17 | 2015-12-30 | 国电南瑞科技股份有限公司 | 计及保护与安自控制代价的在线预防控制风险决策方法 |
CN105184084A (zh) * | 2015-09-14 | 2015-12-23 | 深圳供电局有限公司 | 一种电力计量自动化终端故障类型预测方法和系统 |
CN106602548A (zh) * | 2016-11-25 | 2017-04-26 | 国电南瑞科技股份有限公司 | 一种基于eeac的暂态稳定关键输电断面识别方法 |
CN106712097A (zh) * | 2017-02-13 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种含大规模风电场的电力系统暂态稳定风险评估方法 |
CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘白林: "《人工智能与专家系统》", 29 February 2012 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125166A1 (zh) * | 2018-12-20 | 2020-06-25 | 北京科东电力控制系统有限责任公司 | 一种电网预想故障集预测方法、装置、电子设备及存储介质 |
CN110175002A (zh) * | 2019-07-08 | 2019-08-27 | 广东电网有限责任公司佛山供电局 | 用于配电网的实时断面保存方法、设备以及计算机介质 |
CN110175002B (zh) * | 2019-07-08 | 2020-06-26 | 广东电网有限责任公司佛山供电局 | 用于配电网的实时断面保存方法、设备以及计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020125166A1 (zh) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650273B (zh) | 一种行为预测方法和装置 | |
Huembeli et al. | Automated discovery of characteristic features of phase transitions in many-body localization | |
Zhang et al. | Objective attributes weights determining based on shannon information entropy in hesitant fuzzy multiple attribute decision making | |
CN106327357B (zh) | 一种基于改进概率神经网络的负载识别方法 | |
CN111310139B (zh) | 行为数据识别方法、装置及存储介质 | |
CN111241992B (zh) | 人脸识别模型构建方法、识别方法、装置、设备及存储介质 | |
CN109492883A (zh) | 一种能效人工智能在线分析系统及方法 | |
CN109711450A (zh) | 一种电网预想故障集预测方法、装置、电子设备及存储介质 | |
CN113902185A (zh) | 区域用地性质的确定方法、装置、电子设备及存储介质 | |
Qin et al. | Enhanced neural gas network for prototype-based clustering | |
CN113626929B (zh) | 多阶段多拓扑的船舶交通复杂度度量方法及系统 | |
Junta et al. | Predictive Analysis of Urban Planning for through the Operation of Artificial Cloud Network | |
Rodrigues et al. | Estimating disaggregated employment size from points-of-interest and census data: From mining the web to model implementation and visualization | |
Hoang et al. | A novel time series prediction approach based on a hybridization of least squares support vector regression and swarm intelligence | |
CN116592903B (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
US20210065031A1 (en) | Network optimization | |
Rakshit et al. | Learning automata induced artificial bee colony for noisy optimization | |
Carmona-Poyato et al. | A new approach for optimal offline time-series segmentation with error bound guarantee | |
Riedel et al. | Evolving multilevel forecast combination models-an experimental study | |
Ghaedi et al. | Improving power theft detection using efficient clustering and ensemble classification. | |
Shah et al. | Maintaining the level of operational effectiveness of a CSOC under adverse conditions | |
CN112149623A (zh) | 一种自适应多传感器信息融合系统、方法及存储介质 | |
KR102583159B1 (ko) | 인공지능을 이용한 자동 스왓 분석툴 생성 모듈 및 이를 포함하는 스왓 분석 시스템 | |
Anuar et al. | Reverse Migration Factor in Machine Learning Models | |
US20220414504A1 (en) | Identifying traits of partitioned group from imbalanced dataset |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |