CN110212519A - 用于中低压配电网的数据处理方法 - Google Patents
用于中低压配电网的数据处理方法 Download PDFInfo
- Publication number
- CN110212519A CN110212519A CN201910436440.4A CN201910436440A CN110212519A CN 110212519 A CN110212519 A CN 110212519A CN 201910436440 A CN201910436440 A CN 201910436440A CN 110212519 A CN110212519 A CN 110212519A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- target data
- stability bandwidth
- model
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明公开涉及一种用于中低压配电网的数据处理方法。该方法包括:获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。本公开可及时发现设备异常并报警提示。
Description
技术领域
本发明公开涉及数据处理技术领域,尤其涉及一种用于中低压配电网的数据处理方法。
背景技术
在电网系统中,中低压配电网具有多个环节并会采用到多种设备,因此有必要对其产生的数据实现统一的采集和管理,这对于电网故障的预防具有积极的意义。目前,不同环节以及不同设备产生的数据并未得到有效的整合,因此其在电网故障的预测中尚未充分的发挥作用,从而使得电网故障的预防工作面临一定的阻碍。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供一种用于中低压配电网的数据处理方法。所述技术方案如下:
根据本发明公开实施例的第一方面,提供一种用于中低压配电网的数据处理方法,包括:
获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;
根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;
基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。
在一个实施例中,所述根据历史获取的所述目标数据构建平稳模型包括:
根据历史获取的所述目标数据确定对应于不同设备源的多组数据序列{X1,X2,…,XN},每组所述数据序列表征为时间序列Xn=(xn1,xn2,…,xnt);
根据所述数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组所述数据变化量序列包括差分序列Y=BX,B为差分运算符;
根据所述数据序列对应的所述差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at;
基于由所述ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
在一个实施例中,根据所述数据序列对应的所述差分序列构建的ARMA模型为:
根据所述ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq是ARMA模型的参数并采用最大似然估计法求得,yt是时间序列对应的差分序列,yt-i是滞后i个时间单位的时间序列对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q根据不同的时间序列而确定。
在一个实施例中,基于由所述ARMA模型确定的白噪声序列at构建的GARCH波动率模型为:
at=σt∈t (3);
根据所述GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,σt是波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
在一个实施例中,所述基于所述平稳模型监控当前获取的所述目标数据是否为异常数据包括:
基于所述GARCH波动率模型,根据当前获取的所述目标数据确定当前时刻的所述波动率;
采用高斯密度函数计算所述当前时刻的波动率与所述波动率平均值之间的距离,并判断所述距离是否大于或者等于预设阈值;
在所述距离大于或者等于所述预设阈值时,将当前获取的所述目标数据确定为异常数据。
在一个实施例中,所述获取来自不同设备源的多项数据包括:
以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有设备注册信息和状态消息格式;
接收各个设备响应所述状态获取控制指令而返回的设备状态数据,并对所述设备状态数据进行解码,以得到不同设备源对应的格式化状态信息;
将所述格式化状态信息转换为系统消息格式并存储在配电网数据库中,该转换过程包括所述时间对齐处理以及所述重采样处理。
根据本发明公开实施例的第二方面,提供一种用于中低压配电网的数据处理装置,包括:
数据获取模块,用于获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;
模型构建模块,用于根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;
数据监控模块,用于基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。
在一个实施例中,所述模型构建模块包括:
第一确定单元,用于根据历史获取的所述目标数据确定对应于不同设备源的多组数据序列{X1,X2,…,XN},每组所述数据序列表征为时间序列Xn=(xn1,xn2,…,xnt);
第二确定单元,用于根据所述数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组所述数据变化量序列包括差分序列Y=BX,B为差分运算符;
第一构建单元,用于根据所述数据序列对应的所述差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at;
第二构建单元,用于基于由所述ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
在一个实施例中,根据所述数据序列对应的所述差分序列构建的ARMA模型为:
根据所述ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq是ARMA模型的参数并采用最大似然估计法求得,yt是时间序列对应的差分序列,yt-i是滞后i个时间单位的时间序列对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q根据不同的时间序列而确定。
在一个实施例中,基于由所述ARMA模型确定的白噪声序列at构建的GARCH波动率模型为:
at=σt∈t (3);
根据所述GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,σt是波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
在一个实施例中,所述数据监控模块包括:
第三确定单元,用于基于所述GARCH波动率模型,根据当前获取的所述目标数据确定当前时刻的所述波动率;
计算单元,用于采用高斯密度函数计算所述当前时刻的波动率与所述波动率平均值之间的距离,并判断所述距离是否大于或者等于预设阈值;
第四确定单元,用于在所述距离大于或者等于所述预设阈值时,将当前获取的所述目标数据确定为异常数据。
在一个实施例中,,所述数据获取模块包括:
发送单元,用于以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有设备注册信息和状态消息格式;
解析单元,用于接收各个设备响应所述状态获取控制指令而返回的设备状态数据,并对所述设备状态数据进行解码,以得到不同设备源对应的格式化状态信息;
转换单元,用于将所述格式化状态信息转换为系统消息格式并存储在配电网数据库中,该转换过程包括所述时间对齐处理以及所述重采样处理。
根据本发明公开实施例的第三方面,提供一种数据处理装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行第一方面任一实施例所述方法的步骤。
根据本发明公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面任一实施例所述方法的步骤。
本发明公开的实施例提供的技术方案可以包括以下有益效果:
本发明公开技术方案可将来自于不同设备源的数据转换为统一时间刻度范围内且采样频率相同的目标数据,并基于历史获取的目标数据来构建平稳模型,由于在历史数据中正常数据的比例明显大于异常数据的比例,即平稳模型主要是基于正常数据构建的,因此采用该平稳模型即可监测当前获取的目标数据是否异常,并在当前的目标数据异常时及时报警,从而能够降低由未能及时发现数据异常而造成电网故障的风险。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明公开的实施例,并与说明书一起用于解释本发明公开的原理。
图1是根据示例性实施例示出的数据处理方法的流程图;
图2是根据示例性实施例示出的多项数据的获取方法流程图;
图3是根据示例性实施例示出的平稳模型的构建方法流程图;
图4是根据示例性实施例示出的基于平稳模型的数据监测方法流程图;
图5是根据示例性实施例示出的用于中低压配电网的数据采集与监控系统的结构图;
图6a是根据示例性实施例示出的数据处理装置的模块图一;
图6b是根据示例性实施例示出的数据处理装置的模块图二;
图6c是根据示例性实施例示出的数据处理装置的模块图三;
图6d是根据示例性实施例示出的数据处理装置的模块图四。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子。
本发明公开实施例所提供的技术方案涉及一种用于中低压配电网的数据处理方法,其目的在于根据不同设备所产生的数据及时发现异常并进行报警提示。在电网系统中,中低压配电网具有多个环节并会采用到多种设备。相关技术中,不同环节以及不同设备产生的数据并未得到有效的整合,因此其在电网故障的预测中尚未充分发挥作用,从而造成电网故障的预防面临一定的阻碍。基于此,本发明公开技术方案可将来自于不同设备源的数据转换为统一时间刻度范围内且采样频率相同的目标数据,并基于历史获取的目标数据来构建平稳模型,由于在历史数据中正常数据的比例明显大于异常数据的比例,即平稳模型主要是基于正常数据构建的,因此采用该平稳模型即可监测当前获取的目标数据是否异常,并在当前的目标数据异常时及时报警,从而能够降低由未能及时发现数据异常而造成电网故障的风险。
图1示例性示出了本发明公开实施例所提供的用于中低压配电网的数据处理方法流程图。根据图1所示,所述数据处理方法具体包括如下步骤:
S101、获取来自不同设备源的多项数据,并对该多项数据进行时间对齐处理以及重采样处理,以得到目标数据。
其中,来自于设备源的数据是指能够直接反映设备状态的原始数据,其包括但不限于温度、湿度、以及设备工作状态码等,目标数据则是指经过预处理之后的数据,其被转换为统一时间刻度范围内且采样频率相同的数据。
S102、根据历史获取的目标数据构建平稳模型,其中用于构建平稳模型的目标数据包括正常数据和异常数据,且正常数据的占比超过预设比例。
其中,历史获取的目标数据是指过去的目标数据,其可预先存储在数据库中以备调用,平稳模型是用于根据目标数据监控设备状态是否异常的模型。
S103、基于该平稳模型监控当前获取的目标数据是否为异常数据,并在当前获取的目标数据显示异常时报警。
其中,当前获取的目标数据是指最新的目标数据,其来自于当前监控的设备源,用于表征该设备的当前运行状态。
基于此,本发明公开技术方案可将来自于不同设备源的数据转换为统一时间刻度范围内且采样频率相同的目标数据,并基于历史获取的目标数据来构建平稳模型,由于在历史数据中正常数据的比例明显大于异常数据的比例,即平稳模型主要是基于正常数据而构建的,因此采用该平稳模型即可监测当前获取的目标数据是否异常,并在当前的目标数据异常时及时报警,从而能够降低由未能及时发现数据异常而造成电网故障的风险。
下面结合具体实施例对本发明公开技术方案所提供的数据处理方法进行详细的描述。
在步骤S101中,获取来自不同设备源的多项数据,并对该多项数据进行时间对齐处理以及重采样处理,以得到目标数据。
示例的,中低压配电网中涉及到的设备环节相对较多,具体可包括架空线路、电网电缆、中低配电变压器、开关设备、以及其它中低配电附属设备等。在获取不同设备源的数据时,可根据设备提供数据的具体方式从设备中直接读取状态数据或者借助于第三方设备例如传感器读取相关的状态数据,这些状态数据包括但不限于温度、湿度、以及设备工作状态码等。由于这些状态数据来自于不同的设备源,因此数据产生时间以及采样频率不尽相同,本实施例需要对这些状态数据进行时间对齐处理以及重采样处理,从而得到位于统一时间刻度范围内且采样频率相同的目标数据。
图2示例性示出了来自不同设备源的多项数据的获取方法流程图。根据图2所示,所述获取来自不同设备源的多项数据具体包括:
S1011、以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有对应设备的注册信息以及状态消息格式。
其中,每台设备的注册信息包括IP(Internet Protocol,网际协议)地址以及设备ID(Identification,标识)。
示例的,数据采集与监控系统可按照预设时间间隔例如每隔30秒向各个设备发送状态获取控制指令,该控制指令可同时发出,或者也可依次发出,这里对此不做限定。由于每种设备的控制命令不同,因此向各个设备发送的控制指令也不相同。假设设备i在数据采集与监控系统中的预留信息为Di=(IPi,IDi,formati),其中IPi是指设备i的IP地址,IDi是指设备i的ID标识,formati是指设备i的状态消息格式,此时数据采集与监控系统便可根据设备i的预留信息向IP地址为IPi、设备标识为IDi的设备发送控制指令,该控制指令的格式满足预留信息中规定的状态消息格式formati。
S1012、接收各个设备响应该状态获取控制指令而返回的设备状态数据,并对接收到的各个设备状态数据进行解码,以得到不同设备源对应的格式化状态信息。
其中,设备状态数据包括但不限于温度、湿度、以及设备工作状态码等,且不同设备对应的状态数据可能有所不同。
示例的,数据采集与监控系统在接收到各个设备响应状态获取控制指令而返回的设备状态数据之后,可根据每个设备的IP地址以及设备ID查询到各个设备的预留信息,从而获取到各个设备的状态消息格式formati。基于此,数据采集与监控系统便可进一步的根据查询到的状态消息格式formati来对各个设备返回的设备状态数据进行解码,从而得到各个设备所对应的格式化状态信息。
S1013、将各个设备源对应的格式化状态信息统一转换为系统消息格式并存储在配电网数据库中,该转换过程包括时间对齐处理以及重采样处理。
其中,系统消息格式是指数据采集与监控系统默认的消息格式,这里将格式化状态信息转换为系统消息格式的过程包括对多项数据的时间对齐处理以及重采样处理的过程。
示例的,数据采集与监控系统在解码得到各个设备的格式化状态信息后,还需进一步将其转换为系统默认的统一格式即系统消息格式,以便于存储在配电网数据库中。在该转换过程中,需要对来自不同设备源的多项数据进行时间对齐处理以及重采样处理,以得到位于统一时间刻度范围内且采样频率相同的数据。其中,重采样的时间间隔可以根据需要自由设置,例如以1秒为单位重新采样,但原始数据的采样频率应当高于重采样的采样频率,例如以0.1秒为单位采样。在此基础上,来自于不同设备源的数据还有可能携带噪音,考虑到这些数据会应用于平稳模型的构建,因此为了减小模型构建的干扰因素,本实施例还需对上述数据进行降噪滤波处理。更进一步的,针对于只有2个值的布尔数据,直接将其转换为0或1即可,而针对于连续数据,则需对其进行正态化处理,即xi=(xi-μ)/σ,μ为设备状态数据的平均值,σ为设备状态数据的标准差。基于此,数据采集与监控系统只需将最终转换得到的数据存储在配电网数据库中即可。
需要说明的是:在设备出现问题或者通信出现问题时,数据采集与监控系统很有可能接收不到设备状态数据,此时便需重新发送状态获取控制指令,若连续若干次例如连续超过3次都未能正常获取数据,则表明设备状态或者通信线路有很大概率存在问题,此时可控制系统报警提示。
在步骤S102中,根据历史获取的目标数据构建平稳模型,其中用于构建平稳模型的目标数据包括正常数据和异常数据,且正常数据的占比超过预设比例。
示例的,数据采集与监控系统会对来自于不同设备源的多项数据进行预处理以得到目标数据,并将目标数据存储在配电网数据库中,因此该配电网数据库中存储有过去的所有设备数据。由于在过去的历史数据中,异常数据相比于正常数据要少很多,因此该平稳模型主要是基于正常数据构建的,其可用于分析新的设备状态数据是否存在异常。
图3示例性示出了基于历史数据的平稳模型的构建方法流程图。根据图3所示,所述根据历史获取的目标数据构建平稳模型具体包括:
S1021、根据历史获取的目标数据确定对应不同设备源的多组数据序列{X1,X2,…,XN},每组数据序列可表征为时间序列Xn=(xn1,xn2,…,xnt)。
示例的,假设数据采集与监控系统关联有N个设备,则会存在N个设备源来提供设备状态数据,其分别为X1,X2,…,XN。这些数据序列都可采用时间序列来表征,即Xn=(xn1,xn2,…,xnt)。以X1=(x11,x12,…,x1t)为例,其可表示X1序列的t个时间点的状态数据。
S1022、根据数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组数据变化量序列包括差分序列Y=BX,B为差分运算符。
示例的,数据采集与监控系统在得到所需的数据序列例如时间序列之后,由于系统关注的是异常数据即设备的异常情况,因此还需针对多个时间序列构建其变化量序列,也即它们的差分序列Y1,Y2,…,YN。以数据序列X为例,其差分序列则为Y=BX,其中B是差分运算符,也即yt=xt-xt-1。
S1023、根据数据序列对应的差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at。
示例的,虽然在数据采集与监控系统中包含有N个时间序列/差分序列,但是针对每个时间序列/差分序列的建模方式均相同。这里将以对差分序列Y建模为例详细描述平稳模型的构建过程。应当明确的是,本步骤中的ARMA(Autoregressive moving average,自回归滑动平均)模型仅构成了平稳模型的一部分,而平稳模型的另一部分则是下个步骤中的GARCH(Autoregressive conditional heteroscedasticity,自回归条件异方差)波动率模型。
具体的,根据差分序列Y构建的ARMA模型为:
基于此,根据ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq均为ARMA模型的参数,且这些参数可在已有时间序列/差分序列的基础上采用最大似然估计法求得,yt表示时间序列所对应的差分序列,yt-i是滞后i个时间单位的时间序列所对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q可根据不同的时间序列而定。
需要说明的是:由于对每个差分的时间序列都要求得这些参数,而实际对于每个时间序列而言p和q的值都可能是不同的,因此需要根据ARMA模型的建模方法来选择p与q的值,以便使模型达到最优化。
S1024、基于根据ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
示例的,本步骤可基于根据ARMA模型确定的白噪声序列at再构建GARCH波动率模型,该GARCH波动率模型具体为:
at=σt∈t (3);
基于此,根据GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,at是白噪声序列,σt是要估计的波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
需要说明的是:针对不同的时间序列,以上公式中的参数个数可能有所不同,这里对此不做具体限定,根据实际情况而定即可。
在步骤S103中,基于该平稳模型监控当前获取的目标数据是否为异常数据,并在当前获取的目标数据显示异常时报警。
示例的,基于ARMA模型和GARCH模型便可构建出所需的平稳模型,该平稳模型可应用于中低压配电网的数据监控,具体为电网设备的故障预测。其中,平稳模型的构建需要采用存储在配电网数据库中的历史数据,在模型构建成功之后,便可采用该平稳模型来监测新的目标数据是否存在异常,并在数据异常时及时的报警提示。
图4示例性示出了基于平稳模型的目标数据的监测方法流程图。根据图4所示,所述基于平稳模型监控当前获取的目标数据是否为异常数据包括:
S1031、基于GARCH波动率模型,根据当前获取的目标数据确定当前时刻的波动率。
示例的,根据公式(3)和(4)可计算出t+1时刻的波动率σt+1,根据公式(5)可计算出滑动窗口为k的波动率平均值基于此,若二者之间具有明显的差距,则认为中低压配电网中的配电设备出现异常的可能性较大。
S1032、采用高斯密度函数计算当前时刻的波动率与波动率平均值之间的距离,并判断该距离是否大于或等于预设阈值。
示例的,采用高斯密度函数作为距离公式来计算t+1时刻的波动率σt+1与波动率平均值之间的距离d:
其中,s为高斯密度函数中的参数,其可预先设定好,例如s=0.1,或者也可根据已有的波动率序列计算,例如这里对此不做限定。
基于上述公式便可确定出波动率σt+1与波动率平均值之间的距离d以及预设阈值s,此时只需对二者做减法运算便可确定二者的大小。
S1033、在判定该距离大于或等于预设阈值时,将当前获取的目标数据确定为异常数据。
示例的,若判定t+1时刻的波动率σt+1与波动率平均值之间的距离d大于或等于预设阈值s,即|d|>2s,则认为对应的设备出现异常的概率较大,否则认为对应的设备正常。需要说明的是:中低压配电网中的每个配电设备产生的时间序列在被检测出异常时均可报警提示,但这仅只是针对单个设备的报警,本实施例还可针对整个中低压配电网产生综合报警信息。
假设N个时间序列在t+1时刻的波动率分别是σ1,t+1,σ2,t+1,…,σN,t+1,且前k个时间单元的波动率平均值分别是则根据上述的距离公式即可得到N个距离:
……
本实施例可取这些距离的平均值d=(d1+d2+…+dN)/N,并采用该平均值与2s比较,若|d|>2s,则系统会给出中低压配电网系统级别的报警提示。
基于上述的实施例可知,本发明公开技术方案可将来自于不同设备源的数据转换为统一时间刻度范围内且采样频率相同的目标数据,并基于历史获取的目标数据来构建平稳模型,进而采用该平稳模型来监测当前获取的目标数据是否异常,并在当前的目标数据异常时及时报警,从而能够降低由未能及时发现数据异常而造成电网故障的风险。
图5示例性示出了用于中低压配电网的数据采集与监控系统的结构图。基于该结构图可知,本发明公开技术方案所提供的数据采集与监控系统,一方面是基于时间序列模型具体为波动率模型来实现的,因此实现容易且效率高,另一方面系统的可扩展性强,在该数据采集与监控系统中可任意添加设备,因此在实际应用中可将设备的增加对整体监控系统的性能影响降低到最小。
下述为本发明公开装置实施例,可以用于执行本发明公开方法实施例。
图6a是根据示例性实施例示出的中低压配电网的数据处理装置的结构示意图,该装置可通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。根据图6a所示,所述数据处理装置包括数据获取模块601、模型构建模块602和数据监控模块603。其中,数据获取模块601用于获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;模型构建模块602用于根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;数据监控模块603用于基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。
在一个实施例中,参考图6b所示,所述模型构建模块602包括第一确定单元6021、第二确定单元6022、第一构建单元6023和第二构建单元6024。其中,第一确定单元6021用于根据历史获取的所述目标数据确定对应于不同设备源的多组数据序列{X1,X2,…,XN},每组所述数据序列表征为时间序列Xn=(xn1,xn2,…,xnt);第二确定单元6022用于根据所述数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组所述数据变化量序列包括差分序列Y=BX,B为差分运算符;第一构建单元6023用于根据所述数据序列对应的所述差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at;第二构建单元6024用于基于由所述ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
在一个实施例中,根据所述数据序列对应的所述差分序列构建的ARMA模型为:
根据所述ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq是ARMA模型的参数并采用最大似然估计法求得,yt是时间序列对应的差分序列,yt-i是滞后i个时间单位的时间序列对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q根据不同的时间序列而确定。
在一个实施例中,基于由所述ARMA模型确定的白噪声序列at构建的GARCH波动率模型为:
at=σt∈t (3);
根据所述GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,σt是波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
在一个实施例中,参考图6c所示,所述数据监控模块603包括第三确定单元6031、计算单元6032和第四确定单元6033。其中,第三确定单元6031用于基于所述GARCH波动率模型,根据当前获取的所述目标数据确定当前时刻的所述波动率;计算单元6032用于采用高斯密度函数计算所述当前时刻的波动率与所述波动率平均值之间的距离,并判断所述距离是否大于或者等于预设阈值;第四确定单元6033用于在所述距离大于或者等于所述预设阈值时,将当前获取的所述目标数据确定为异常数据。
在一个实施例中,参考图6d所示,所述数据获取模块601包括发送单元6011、解析单元6012和转换单元6013。其中,发送单元6011用于以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有设备注册信息和状态消息格式;解析单元6012用于接收各个设备响应所述状态获取控制指令而返回的设备状态数据,并对所述设备状态数据进行解码,以得到不同设备源对应的格式化状态信息;转换单元6013用于将所述格式化状态信息转换为系统消息格式并存储在配电网数据库中,该转换过程包括所述时间对齐处理以及所述重采样处理。
本发明公开实施例所提供的用于中低压配电网的数据处理装置,可将来自于不同设备源的数据转换为统一时间刻度范围内且采样频率相同的目标数据,并基于历史获取的目标数据来构建平稳模型,由于在历史数据中正常数据的比例明显大于异常数据的比例,即平稳模型主要是基于正常数据构建的,因此采用该平稳模型即可监测当前获取的目标数据是否异常,并在当前的目标数据异常时及时报警,从而能够降低由未能及时发现数据异常而造成电网故障的风险。
关于上述实施例中的装置,其各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明公开实施例还提供一种数据处理装置,该装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为执行:
获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;
根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;
基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。
在一个实施例中,上述处理器还可被配置为:
根据历史获取的所述目标数据确定对应于不同设备源的多组数据序列{X1,X2,…,XN},每组所述数据序列表征为时间序列Xn=(xn1,xn2,…,xnt);
根据所述数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组所述数据变化量序列包括差分序列Y=BX,B为差分运算符;
根据所述数据序列对应的所述差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at;
基于由所述ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
在一个实施例中,上述处理器还可被配置为:
根据所述数据序列对应的所述差分序列构建的ARMA模型为:
根据所述ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq是ARMA模型的参数并采用最大似然估计法求得,yt是时间序列对应的差分序列,yt-i是滞后i个时间单位的时间序列对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q根据不同的时间序列而确定。
在一个实施例中,上述处理器还可被配置为:
基于由所述ARMA模型确定的白噪声序列at构建的GARCH波动率模型为:
at=σt∈t (3);
根据所述GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,σt是波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
在一个实施例中,上述处理器还可被配置为:
基于所述GARCH波动率模型,根据当前获取的所述目标数据确定当前时刻的所述波动率;
采用高斯密度函数计算所述当前时刻的波动率与所述波动率平均值之间的距离,并判断所述距离是否大于或者等于预设阈值;
在所述距离大于或者等于所述预设阈值时,将当前获取的所述目标数据确定为异常数据。
在一个实施例中,上述处理器还可被配置为:
以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有设备注册信息和状态消息格式;
接收各个设备响应所述状态获取控制指令而返回的设备状态数据,并对所述设备状态数据进行解码,以得到不同设备源对应的格式化状态信息;
将所述格式化状态信息转换为系统消息格式并存储在配电网数据库中,该转换过程包括所述时间对齐处理以及所述重采样处理。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本发明公开的其它实施方案。本申请旨在涵盖本发明公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明公开的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本发明公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明公开的范围应由所附的权利要求来限制。
Claims (6)
1.一种用于中低压配电网的数据处理方法,其特征在于,包括:
获取来自不同设备源的多项数据,并对所述多项数据进行时间对齐处理以及重采样处理,以得到目标数据;
根据历史获取的所述目标数据构建平稳模型,其中用于构建平稳模型的所述目标数据包括正常数据和异常数据,所述正常数据的占比超过预设比例;
基于所述平稳模型监控当前获取的所述目标数据是否为异常数据,并在所述当前获取的所述目标数据显示异常时报警。
2.根据权利要求1所述的方法,其特征在于,所述根据历史获取的所述目标数据构建平稳模型包括:
根据历史获取的所述目标数据确定对应于不同设备源的多组数据序列{X1,X2,…,XN},每组所述数据序列表征为时间序列Xn=(xn1,xn2,…,xnt);
根据所述数据序列确定对应的数据变化量序列{Y1,Y2,…,YN},其中各组所述数据变化量序列包括差分序列Y=BX,B为差分运算符;
根据所述数据序列对应的所述差分序列分别对每组数据序列构建ARMA模型并确定白噪声序列at;
基于由所述ARMA模型确定的白噪声序列at构建GARCH波动率模型并确定滑动窗口为k的波动率平均值。
3.根据权利要求2所述的方法,其特征在于,根据所述数据序列对应的所述差分序列构建的ARMA模型为:
根据所述ARMA模型确定的白噪声序列at为:
其中,φ0,φ1,…φp和θ0,θ1,…θq是ARMA模型的参数并采用最大似然估计法求得,yt是时间序列对应的差分序列,yt-i是滞后i个时间单位的时间序列对应的差分序列,at是均值为0方差为σ2的白噪声序列,at-i是滞后i个时间单位的白噪声序列,p和q根据不同的时间序列而确定。
4.根据权利要求3所述的方法,其特征在于,基于由所述ARMA模型确定的白噪声序列at构建的GARCH波动率模型为:
at=σt∈t (3);
根据所述GARCH波动率模型确定的滑动窗口为k的波动率平均值为:
其中,α0,α1,…αm是GARCH波动率模型的参数,σt是波动率,∈t是满足均值为0方差为1的正态分布的独立同分布序列,k是自定义参数并表示每k秒为一个滑动窗口,是波动率平均值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述平稳模型监控当前获取的所述目标数据是否为异常数据包括:
基于所述GARCH波动率模型,根据当前获取的所述目标数据确定当前时刻的所述波动率;
采用高斯密度函数计算所述当前时刻的波动率与所述波动率平均值之间的距离,并判断所述距离是否大于或者等于预设阈值;
在所述距离大于或者等于所述预设阈值时,将当前获取的所述目标数据确定为异常数据。
6.根据权利要求1所述的方法,其特征在于,所述获取来自不同设备源的多项数据包括:
以预设时间间隔分别向多个设备发送状态获取控制指令,所述状态获取控制指令携带有设备注册信息和状态消息格式;
接收各个设备响应所述状态获取控制指令而返回的设备状态数据,并对所述设备状态数据进行解码,以得到不同设备源对应的格式化状态信息;
将所述格式化状态信息转换为系统消息格式并存储在配电网数据库中,该转换过程包括所述时间对齐处理以及所述重采样处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436440.4A CN110212519B (zh) | 2019-05-23 | 2019-05-23 | 用于中低压配电网的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436440.4A CN110212519B (zh) | 2019-05-23 | 2019-05-23 | 用于中低压配电网的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110212519A true CN110212519A (zh) | 2019-09-06 |
CN110212519B CN110212519B (zh) | 2023-04-07 |
Family
ID=67788460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436440.4A Active CN110212519B (zh) | 2019-05-23 | 2019-05-23 | 用于中低压配电网的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110212519B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769672A (zh) * | 2012-07-19 | 2012-11-07 | 南车株洲电力机车研究所有限公司 | 微电网云监控方法及系统 |
CN107404483A (zh) * | 2017-07-31 | 2017-11-28 | 北京中科金马科技股份有限公司 | 数据处理方法、装置及数据采集系统 |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
-
2019
- 2019-05-23 CN CN201910436440.4A patent/CN110212519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769672A (zh) * | 2012-07-19 | 2012-11-07 | 南车株洲电力机车研究所有限公司 | 微电网云监控方法及系统 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
CN107404483A (zh) * | 2017-07-31 | 2017-11-28 | 北京中科金马科技股份有限公司 | 数据处理方法、装置及数据采集系统 |
CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
Non-Patent Citations (5)
Title |
---|
MING ZENG: "Time-Sharing Based ARMA-GARCH Hourly Electricity Price Forecasting Approach", 《2008 INTERNATIONAL CONFERENCE ON RISK MANAGEMENT & ENGINEERING MANAGEMENT》 * |
杨阳等: "基于带有ARCH效应时间序列分析的网络流量预测", 《信息安全研究》 * |
苗晓宇: "不同频率数据在金融市场VaR测度中的对比研究――基于低频、高频与超高频数据模型", 《山西财经大学学报》 * |
贺炎林著: "《中国股市横截面收益特征及内在形成机理研究》", 31 March 2008 * |
郭晓明等: "储罐区重大危险源数据流异常检测技术框架研究", 《科技与创新》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110212519B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10621849B2 (en) | Alert system for internet of things (IoT) devices | |
CN107566163A (zh) | 一种用户行为分析关联的告警方法及装置 | |
KR101986838B1 (ko) | LoRa망 기반의 원격 센서 제어 및 계측용 딥러닝 안전관리시스템 | |
Gil et al. | Dealing with outliers in wireless sensor networks: an oil refinery application | |
Arbi et al. | Forecasting methods to reduce energy consumption in WSN | |
EP2535994A2 (en) | Fault processing system | |
JP5498487B2 (ja) | 宅内機器監視システム | |
CN109521702A (zh) | 一种监视分布式控制系统运行状态的方法及服务器 | |
CN112868217B (zh) | 自动处理数据标识符的方法、数据载体和计算机系统 | |
CN112199252A (zh) | 一种异常监控方法、装置及电子设备 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN109729073B (zh) | 一种电网信息物理系统中的网络异常识别方法及系统 | |
CN110212519A (zh) | 用于中低压配电网的数据处理方法 | |
CN117154844A (zh) | 储能系统的能源供应控制方法及装置 | |
CN110537347B (zh) | 用于检测和确定无线电网络的故障概率的方法和中央计算机 | |
US11682890B2 (en) | Electronic protection device for electric power distribution grids | |
EP3831088B1 (en) | Method and device for remote monitoring and diagnosis of field equipment | |
Tournier et al. | Improving reliability of IEEE1588 in electric substation automation | |
CN112684291A (zh) | 一种电缆故障实时在线监测系统 | |
CN115759236B (zh) | 模型训练方法、信息发送方法、装置、设备和介质 | |
CN113114537B (zh) | 一种物联网节点的可视化监测方法 | |
WO2023042710A1 (ja) | 通信分析システム、分析方法及びプログラム | |
US20160300147A1 (en) | Apparatus and method for predicting electricity appliance usage | |
CN116192536B (zh) | 一种网络入侵检测方法、装置、电子设备及可读存储介质 | |
Cao et al. | Edge-Cloud Intelligence in Self-Diagnostic of Land Mobile Radio Systems |
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 | ||
CB02 | Change of applicant information |
Address after: 030000 Floor 1, Office Building, No. 36, Zhanghua Street, Xiaohe Industrial Park, Transformation and Comprehensive Reform Demonstration Zone, Taiyuan City, Shanxi Province Applicant after: Shanxi Jinhuilong Switch Co.,Ltd. Address before: 030000 room 501c, Times Square, No. 27, Chuangye street, Taiyuan Xuefu Park, comprehensive reform demonstration zone, Taiyuan City, Shanxi Province Applicant before: SHANXI JINHUILONG SWITCH Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |