CN110008278A - 一种利用接地电流信号的配网电缆故障判别方法和系统 - Google Patents
一种利用接地电流信号的配网电缆故障判别方法和系统 Download PDFInfo
- Publication number
- CN110008278A CN110008278A CN201910137687.6A CN201910137687A CN110008278A CN 110008278 A CN110008278 A CN 110008278A CN 201910137687 A CN201910137687 A CN 201910137687A CN 110008278 A CN110008278 A CN 110008278A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- data
- network cable
- current
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000013079 data visualisation Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 238000012800 visualization Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种利用接地电流信号的配网电缆故障判别方法和系统。本发明利用接地电流信号的配网电缆故障判别方法，包括步骤：1)选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；2)利用t‑SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征，并利用DBSCAN对其进行聚类分析，并将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；3)利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。本发明对配网电缆的判别几乎不受电缆电磁环境的影响，结果可信度比基于阈值的判断结果更准确。
Description
技术领域
本发明涉及配网电缆领域，具体地说是一种基于t-SNE数据挖掘和DBSCAN聚类利用接地电流信号的配网电缆故障判别方法和系统。
背景技术
近年来，随着城市建设快速发展，电力电缆由于其传输容量大、节约占地面积等优势，中心城区电缆规模剧增。每年新增电力电缆线路投运量持续快速增长，短路故障也随之增加，电缆线路的安全可靠运行对区域性电网稳定和大面积可靠供电的支撑作用日益显现。随着电缆线路的增多，伴随的安全隐患和运维风险也相应的提高。电缆故障发生后需要快速准确的判别故障类型并找到故障点位置，从而指导运维检修，便于快速恢复供电。
目前，针对电缆线路接地电流的检测仅停留在对电流幅值的经验判断。往往只是设定一个安全阈值，简单的认为高过安全阈值的接地电流就是危险或故障后状态，而低于安全阈值的电流就是正常状态。由于电缆通道电磁环境的复杂性，仅基于电流安全阈值的判断往往会对故障后产生误判或漏判。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于t-SNE数据挖掘和DBSCAN聚类利用接地电流信号的配网电缆故障判别方法，以实现对电缆运行状态更准确有效的判别。
为此，本发明采用如下的技术方案：利用接地电流信号的配网电缆故障判别方法，其包括步骤：
1)选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
2)利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征，并利用DBSCAN对其进行聚类分析，并将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
3)利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
作为上述判别方法的补充，步骤1)中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，将周期为一整年的接地电流连续监测数据作为原始输入数据。
作为上述判别方法的补充，步骤2)中，利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
作为上述判别方法的补充，步骤2)中，利用DBSCAN进行聚类分析的内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
作为上述判别方法的补充，步骤2)中，利用DBSCAN聚类分析形成基于接地电流特征的分类簇，由于电缆在大部分时间里都是正常运行的状态，偶尔会遇到线路迁改、带电/离线检修的情况造成线路的负荷非正常变化，因此，在大部分时间里面，接地电流随负荷周期性的变化，对无周期性变化规律的“非正常”簇，需要找到其对应的监测时间并与现场实际情况进行比对，找出其变化特征与电缆线路状态的对应关系，形成知识库。
本发明采用的另一种技术方案为：一种利用接地电流信号的配网电缆故障判别系统，其包括：
原始数据获取模块：选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
t-SNE数据处理模块：利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征；
DBSCAN聚类模块：利用DBSCAN对原始数据的特征进行聚类分析；
知识库建立模块：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
实时判别模块：利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
作为上述判别系统的补充，所述的原始数据获取模块中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，将周期为一整年的接地电流连续监测数据作为原始输入数据。
作为上述判别系统的补充，所述的t-SNE数据处理模块的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
作为上述判别系统的补充，所述的DBSCAN聚类模块的具体内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
作为上述判别系统的补充，所述知识库建立模块的具体内容如下：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库。
与现有的故障定位方法相比，本发明具有如下优点和有益效果：
1)对接地电流数据进行更深层次的挖掘，实现了配网电缆故障判别方法；
2)本发明对配网电缆的判别几乎不受电缆电磁环境的影响，结果可信度比基于阈值的判断结果更准确；
3)本发明不必监测线芯电流或电压，受安全限制更小，更易于推广应用。
附图说明
图1为本发明实施例1中配网电缆终端接地点电流监测示意图。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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做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。
实施例1
本实施例提供一种利用接地电流信号的配网电缆故障判别方法，其包括步骤：
1)选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
2)利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征，并利用DBSCAN对其进行聚类分析，并将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
3)利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
步骤1)中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，如图1所示的HFCT1或HFCT处。电流互感器实时采集到的数据传输到箱体附近的主机，主机对电流互感器采集到的数据进行实时处理，处理后的数据通过架设天线经由无线通讯方式，上传至云端。
考虑到接地电流的变化特征与负荷正相关，而一般电力系统的负荷变化与季节有关。故建议将周期为一整年的接地电流连续监测数据作为原始输入数据，根据线路通道现场实际情况，被监测的电缆线路可以多于一根(多条线路共通道，多种典型敷设型式等)，监测位置可以多于两组(T接线路等线路存在支链，有多个接地点的情况)。
步骤2)中，利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
步骤2)中，利用DBSCAN进行聚类分析的内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问(unvisited)的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问(visited)；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。
步骤2)中，利用DBSCAN聚类分析形成基于接地电流特征的分类簇，由于电缆在大部分时间里都是正常运行的状态，偶尔会遇到线路迁改、带电/离线检修的情况造成线路的负荷非正常变化，因此，在大部分时间里面，接地电流随负荷周期性的变化，对无周期性变化规律的“非正常”簇，需要找到其对应的监测时间并与现场实际情况进行比对，找出其变化特征与电缆线路状态的对应关系，形成知识库。
实施例2
本实施例提供一种利用接地电流信号的配网电缆故障判别系统，其包括：
原始数据获取模块：选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
t-SNE数据处理模块：利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征；
DBSCAN聚类模块：利用DBSCAN对原始数据的特征进行聚类分析；
知识库建立模块：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
实时判别模块：利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
所述的原始数据获取模块中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，将周期为一整年的接地电流连续监测数据作为原始输入数据。
所述的t-SNE数据处理模块的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
所述的DBSCAN聚类模块的具体内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
所述知识库建立模块的具体内容如下：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库。
Claims (10)
1.一种利用接地电流信号的配网电缆故障判别方法，其特征在于，包括步骤：
1)选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
2)利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征，并利用DBSCAN对其进行聚类分析，并将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
3)利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
2.根据权利要求1所述的配网电缆故障判别方法，其特征在于，步骤1)中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，将周期为一整年的接地电流连续监测数据作为原始输入数据。
3.根据权利要求1或2所述的配网电缆故障判别方法，其特征在于，步骤2)中，利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN ×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
4.根据权利要求1或2所述的配网电缆故障判别方法，其特征在于，步骤2)中，利用DBSCAN进行聚类分析的内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
5.根据权利要求4所述的配网电缆故障判别方法，其特征在于，步骤2)中，利用DBSCAN聚类分析形成基于接地电流特征的分类簇，由于电缆在大部分时间里都是正常运行的状态，偶尔会遇到线路迁改、带电/离线检修的情况造成线路的负荷非正常变化，因此，在大部分时间里面，接地电流随负荷周期性的变化，对无周期性变化规律的“非正常”簇，需要找到其对应的监测时间并与现场实际情况进行比对，找出其变化特征与电缆线路状态的对应关系，形成知识库。
6.一种利用接地电流信号的配网电缆故障判别系统，其特征在于，包括：
原始数据获取模块：选择需要重点监测的典型配网电缆线路，长期监测其接地电流，获取原始数据；
t-SNE数据处理模块：利用t-SNE对监测到的数据进行数据挖掘和可视化处理提取原始数据的特征；
DBSCAN聚类模块：利用DBSCAN对原始数据的特征进行聚类分析；
知识库建立模块：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库；
实时判别模块：利用基于接地电流特征的知识库，对实时监测到的接地电流信号进行比对，并根据现场状况更新知识库，实现对电缆的状态特征的实时判别。
7.根据权利要求6所述的配网电缆故障判别系统，其特征在于，所述的原始数据获取模块中，选取需要重点监测的典型配网电缆线路，在线路终端两端电流接地点安装电流传感器，将周期为一整年的接地电流连续监测数据作为原始输入数据。
8.根据权利要求6或7所述的配网电缆故障判别系统，其特征在于，所述的t-SNE数据处理模块的具体内容如下：
设在步骤1)中实际选取的典型配网电缆线路有c1条，实际的接地电流监测点有2c1+c2个，每天采集到的电流信号数据量为D0，监测的天数为n0，则构成一个高维度的数集U∈RN ×d，其中，N和d表示数据的样本数量和维度，N＝(2c1+c2)*n0，d＝D0；t-SNE的目标是将这个高纬度的原始数集U降维至V∈RN×a，其中a＝2或3，a<<d，其优化目标如下式所示，
其中，pij表示U矩阵的第i列向量ui与第j列向量uj的相似度，qij表示V矩阵的第i列向量vi与第j列向量vj的相似度，相似度的定义如下：
其中，
上式中，σi表示是以数据向量ui为中心的正态分布的方差，uk表示U矩阵的第k列向量uk；vk表示V矩阵的第k列向量；vl表示V矩阵的第l列向量。
9.根据权利要求6或7所述的配网电缆故障判别系统，其特征在于，所述的DBSCAN聚类模块的具体内容如下：
DBSCAN使用参数Eps、MinPts描述邻域的样本分布紧密程度，其中，Eps描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为Eps的邻域中样本个数的阈值；
DBSCAN需要输入包含N个对象的数据库以及两个自定义的参数扫描半径Eps和最小包含点数MinPts；任选一个未被访问的点开始，找出与其距离在Eps之内的所有附近点，包括Eps；如果附近点的数量≥MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问；然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。
10.根据权利要求9所述的配网电缆故障判别系统，其特征在于，所述知识库建立模块的具体内容如下：将分类出的无周期性变化规律的“非正常”簇与现场实际情况进行比对，建立基于接地电流特征的知识库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137687.6A CN110008278B (zh) | 2019-02-25 | 2019-02-25 | 一种利用接地电流信号的配网电缆故障判别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910137687.6A CN110008278B (zh) | 2019-02-25 | 2019-02-25 | 一种利用接地电流信号的配网电缆故障判别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008278A true CN110008278A (zh) | 2019-07-12 |
| CN110008278B CN110008278B (zh) | 2021-03-02 |
Family
ID=67166022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910137687.6A Active CN110008278B (zh) | 2019-02-25 | 2019-02-25 | 一种利用接地电流信号的配网电缆故障判别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008278B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111025045A (zh) * | 2019-11-19 | 2020-04-17 | 云南电网有限责任公司临沧供电局 | 一种基于接地线电流分布状态的xlpe电缆健康状态评估方法 |
| CN111025097A (zh) * | 2019-11-19 | 2020-04-17 | 云南电网有限责任公司临沧供电局 | 一种测评老化后xlpe电缆泄漏电流差异因子的智能方法 |
| CN111428780A (zh) * | 2020-03-20 | 2020-07-17 | 上海理工大学 | 基于数据驱动的电网异常运行状态识别方法 |
| CN113740663A (zh) * | 2021-08-19 | 2021-12-03 | 成都飞机工业（集团）有限责任公司 | 一种基于阻抗特征的飞机装机电缆故障定位方法 |
| CN113793230A (zh) * | 2021-08-09 | 2021-12-14 | 国家计算机网络与信息安全管理中心 | 一种数据中心配电系统地线电流动态仿真方法 |
| CN117977814A (zh) * | 2024-03-28 | 2024-05-03 | 北京智芯微电子科技有限公司 | 智慧开关控制方法、智慧开关和智慧开关边端协同系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6640272B1 (en) * | 2000-08-31 | 2003-10-28 | Hewlett-Packard Development Company, L.P. | Automated backplane cable connection identification system and method |
| CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
| CN105139295A (zh) * | 2015-09-29 | 2015-12-09 | 广东电网有限责任公司电力科学研究院 | 一种电力设备在线监测海量信息的数据挖掘方法 |
| US20180255084A1 (en) * | 2017-03-02 | 2018-09-06 | Crypteia Networks S.A. | Systems and methods for behavioral cluster-based network threat detection |
| CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
-
2019
- 2019-02-25 CN CN201910137687.6A patent/CN110008278B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6640272B1 (en) * | 2000-08-31 | 2003-10-28 | Hewlett-Packard Development Company, L.P. | Automated backplane cable connection identification system and method |
| CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
| CN105139295A (zh) * | 2015-09-29 | 2015-12-09 | 广东电网有限责任公司电力科学研究院 | 一种电力设备在线监测海量信息的数据挖掘方法 |
| US20180255084A1 (en) * | 2017-03-02 | 2018-09-06 | Crypteia Networks S.A. | Systems and methods for behavioral cluster-based network threat detection |
| CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐森等: "一种基于T-分布随机近邻嵌入的聚类集成方法", 《电子与信息学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111025045A (zh) * | 2019-11-19 | 2020-04-17 | 云南电网有限责任公司临沧供电局 | 一种基于接地线电流分布状态的xlpe电缆健康状态评估方法 |
| CN111025097A (zh) * | 2019-11-19 | 2020-04-17 | 云南电网有限责任公司临沧供电局 | 一种测评老化后xlpe电缆泄漏电流差异因子的智能方法 |
| CN111428780A (zh) * | 2020-03-20 | 2020-07-17 | 上海理工大学 | 基于数据驱动的电网异常运行状态识别方法 |
| CN111428780B (zh) * | 2020-03-20 | 2023-04-07 | 上海理工大学 | 基于数据驱动的电网异常运行状态识别方法 |
| CN113793230A (zh) * | 2021-08-09 | 2021-12-14 | 国家计算机网络与信息安全管理中心 | 一种数据中心配电系统地线电流动态仿真方法 |
| CN113740663A (zh) * | 2021-08-19 | 2021-12-03 | 成都飞机工业（集团）有限责任公司 | 一种基于阻抗特征的飞机装机电缆故障定位方法 |
| CN113740663B (zh) * | 2021-08-19 | 2022-05-10 | 成都飞机工业（集团）有限责任公司 | 一种基于阻抗特征的飞机装机电缆故障定位方法 |
| CN117977814A (zh) * | 2024-03-28 | 2024-05-03 | 北京智芯微电子科技有限公司 | 智慧开关控制方法、智慧开关和智慧开关边端协同系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008278B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008278B (zh) | 一种利用接地电流信号的配网电缆故障判别方法和系统 | |
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 | |
| CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
| CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
| CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测系统 | |
| CN114611966A (zh) | 一种智慧电网电力系统输变电运行安全量化智能评估方法 | |
| CN110097141A (zh) | 一种采集运维系统智能故障检测方法 | |
| CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
| CN116011825A (zh) | 一种配电电缆线路运行风险多维度评价方法 | |
| CN113655333A (zh) | 基于大数据挖掘分析的分布式故障监测方法及系统 | |
| CN117710832A (zh) | 一种电网卫星、无人机、视频监控图像智能识别方法 | |
| CN114693111A (zh) | 变电站少油设备智能监测分析系统及方法 | |
| CN117390546A (zh) | 一种面向即时反窃电检测的多模数据库融合存算模型 | |
| CN115690581A (zh) | 一种输电线通道隐患识别机载智慧终端应用方法及系统 | |
| CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
| CN105425105A (zh) | 电网故障线段综合定位方法及系统 | |
| CN113362630B (zh) | 交通信号设备故障分析处理方法、系统及计算机存储介质 | |
| CN109298285A (zh) | 一种基于暂态扰动的配网电缆早期故障识别与预警系统及方法 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| CN112016739A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| CN117636129A (zh) | 一种电力施工监督图像的识别方法 | |
| CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
| CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
| CN111107092A (zh) | 基于随机森林算法攻击识别方法及储能协调控制装置 | |
| CN112434955B (zh) | 一种基于多数据融合的配网线路运行风险感知方法 |
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 |