CN110503338B - 一种泛在电力物联网监测方法 - Google Patents

Abstract

本发明公开了一种泛在电力物联网监测方法，属于电网控制领域，包括以下步骤：利用数据采集设备对泛在电力物联网中的各单位进行实时数据的采集；依据实时数据创建相应的数字孪生模型；将数字孪生模型与正常状态进行比对交互，对泛在电力物联网进行实时监测。本发明能够对各个区域的电力物联网进行实时动态监测。

Description

一种泛在电力物联网监测方法

技术领域

本发明涉及一种泛在电力物联网监测方法，属于电网控制领域。

背景技术

随着泛在电力物联网复杂系统装备的集成化、智能化程度不断提高，其设计、研制、测试、运行、维护等全寿命周期成本大幅度增加，同时，电网系统的复杂性也大大增加了其故障、性能退化以及功能失效发生的几率。目前泛在电力物联网设备监测方法存在以下问题：虚拟与物理空间连接不够紧密，目前，泛在电力物联网设备监测过程中，虚拟空间与物理空间的联系仅限于发电机组等单个设备，针对泛在电力物联网泛在电力物联网中的“发–输–变–用”各个区域整体并未涉及。现阶段的复杂的电力物联网设备的检测，主要由电网装备在已知理想运行状态下的监测数据所驱动，因此难以满足复杂电网系统装备在动态多变运行环境下实时状态评估与预测的精度及适应性需求。

发明内容

本发明是提供一种泛在电力物联网监测方法，能够对各个区域的电力物联网进行实时动态监测。

为达到上述目的，本发明所采用的技术方案是：一种泛在电力物联网监测方法，包括以下步骤：利用数据采集设备对泛在电力物联网中的各单位进行实时数据的采集；依据实时数据创建相应的数字孪生模型；将数字孪生模型与正常状态进行比对交互，对泛在电力物联网进行实时监测。

进一步地，所述数字孪生模型包括设备故障预测模型和孪生支持向量机预测模型。

进一步地，建立设备故障预测模型包括以下步骤：

a)提取采集到的实时数据，创建电网设备在运行过程中初始变形量解空间。

b)当所述变形量发生变化时产生新解；

c)判断产生的新解是否需要与历史数据进行比对，若新解在电网设备规格数据范围内则无需比对，若超出该范围则进行比对。

d)若未发生比对操作，则对初始变形量解空间进行匹配；

e)若发生比对操作，计算比对距离L并通过有限元分析，利用

K-MEANS聚类算法进行相似度匹配。

当比对距离L大于0时，将变形量解放入设备故障目标函数；

将设备故障目标函数的解放入设备故障维修调和函数中，并上传至泛在电力物联网设备质量服务平台；

当比对距离L小于0时设备出现故障，对相应的数字孪生模型迭代优化，通过迭代优化，产生新的变形量解空间，返回步骤c。

进一步地，建立孪生支持向量机预测模型包括以下步骤：提取采集到的实时数据，运用最大信息系数计算各影响因素与用户用电量或者低压供电系统数据的相关性，依据相关性大小对不同影响因素排序，从而提取主要关联因素；采用主要关联因素建立孪生支持向量机低压故障预测模型或面向不同用户类别的孪生支持向量机预测模型。

进一步地，建立不同用户类别的孪生支持向量机预测模型后，对多个所述模型进行融合处理，以获得区域总体用电预测模型。

进一步地，所述影响因素包括用电周期、用电趋势和环境扰动。

进一步地，建立所述孪生支持向量机预测模型还包括以下步骤：对提取到的实时数据进行平滑化和归一化处理；将所得的数据进行K-MEANS聚类。

进一步地，所述方法还包括以下步骤：对采集到的实时数据进行整理和过滤；融合实时数据，泛在电力物联网的历史数据以及数字孪生模型的仿真数据，对数字孪生模型进行优化。

进一步地，所述实时数据包括电参量和非电参量。

进一步地，所述电参量包括设备的振动，转速、压力、角度、电压、电流、有功功率、无功功率、功率因素、谐波含量、直流电源状态和低压配电数据；所述非电参量包括变压器温度、触头温度、环境湿度、水浸状态、烟感告警、视频信息。

本发明基于数字孪生技术，实现了对泛在电力物联网区域的实时动态监测。本发明建立了设备故障预测模型和孪生支持向量机预测模型，可对泛在电力物联网营配调集过程中的低压故障进行主动感知和电网风险的提前预判。

附图说明

图1为本发明实施例提供的一种压水试验装置的结构示意图；

图2显示了本发明中双层催化剂反应床的三维图；

图3显示了本发明实施例中孪生支持向量机预测算法流程图；

图4本发明实施例中泛在电力物联网监测方法的流程图。

具体实施方式

为了更好的理解本发明的实质，下面结合具体实施例和附图对本发明作进一步的阐述。

本发明公开了一种泛在电力物联网监测方法，具体步骤如图1所示：

步骤1：利用数据采集设备对泛在电力物联网中的各单位进行实时数据的采集。将采集到的实时数据通过分布式云服务器存储技术为泛在电力物联网全寿命周期数据进行存储和管理。数据采集设备如图4所示，包括实体特征测控设备，保护测控设备，温度监测设备和运行环境监控设备等。采集的数据类型包括电参量和非电参量。

电参量由实体特征测控设备，保护测控设备、电力仪表等设备采集。实体特征测控设备采集的数据包括泛在电力物联网中复杂关键设备的振动，转速，压力，角度等感知数据；保护测控设备采集的数据包括电压、电流、有功功率、无功功率、功率因素、谐波含量、直流电源状态、低压配电数据等。

非电参量由温度监测设备及运行环境设备采集。温度监测设备采集的数据包括变压器温度、触头温度；运行环境设备采集的数据包括环境湿度、水浸状态、烟感告警、视频信息等。

采集层设备配置应依据无人值班标准设计，能对泛在电力物联网达到全面监控要求。

步骤2：对采集到的实时数据进行整理和过滤。通过对实时数据进行特征分类，减少了冗杂数据和无关数据，利用数据融合和迭代对实时数据进行过滤筛选，提高云平台上泛在电力物联网数字孪生模型体系的创建准确率和效率。

步骤3：依据实时数据创建相应的数字孪生模型，并融合实时数据，泛在电力物联网的历史数据以及数字孪生模型的仿真数据，对数字孪生模型进行优化。

数字孪生模型包括设备故障预测模型和孪生支持向量机预测模型。如图2所示，建立并优化设备故障预测模型包括以下步骤：

a)提取采集到的实时数据，创建电网设备在运行过程中初始变形量解空间。

b)当所述变形量发生变化时产生新解；

c)判断产生的新解是否需要与云平台的历史数据进行比对。新解在电网设备规格数据范围中无需比对，若超出该范围进行比对；

d)若未发生比对操作，则对初始变形量解空间进行匹配；

e)若发生比对操作，计算比对距离L并通过有限元分析，利用K-MEANS聚类算法进行相似度匹配。

当比对距离L大于0时，设备未出现故障，则将变形量解放入设备故障目标函数；将目标函数的解放入设备故障维修调和函数中，并上传至泛在电力物联网设备质量服务平台。将设备故障预测模型产生的轴系疲劳磨损、扭振、热应力等仿真数据，以及通过多维数据处理与融合得到的融合数据进行交互迭代，对设备故障预测模型进行优化。

当比对距离L小于0时，即设备出现故障，则与相匹配的设备故障预测模型交互，在泛在电力物联网经验库中找到三维指导维修书。孪生模型通过模拟电网设备维修过程，形成三维作业指导书，提高维修的精准性。将维修过后的电网设备数据进行采集与相匹配的设备故障预测模型交互迭代优化，产生新的变形量解空间，返回步骤c，实现了电网风险的预测。

如图3所示，建立并优化孪生支持向量机预测模型包括以下步骤：

a)对提取到的实时数据进行平滑化和归一化处理；

b)将所得的数据进行K-means聚类。

c)提取采集到各影响因素的实时数据，运用最大信息系数计算各影响因素与用户用电量或者低压供电系统数据的相关性，依据相关性大小对不同影响因素排序，从而提取主要关联因素。

用户的用电量与天气状况、经济发展水平等多种因素有关，而同一种因素对不同用户的影响程度也存在差异。采用最大信息系数，可以定量地表示各影响因素与用户用电量的关联程度。通过对这种关联程度排序，可以提取其中主要的影响因素，排除不相关或者关联度不大的影响因素，减少模型的复杂度，避免模型的过拟合。因此从用电周期、用电趋势和环境扰动三方面考虑用电的影响因素。

在用电周期方面：采集了用户前1日的用电量D1、前2日的用电量D2、前3日的用电量D3、前7日的用电量D7、最近3日的平均用电量A3、最近7日的平均用电量A7，共6种主要关联因素。

在用电趋势方面：采集了最近3日的平均用电增长率I3、最近5日的平均用电增长率I5、最近7日的用电平均增长率I7、近两周的用电增长率C2，共4种主要关联因素。

在环境扰动方面：考虑预测日的天气预报，采集了最高温度T1、最低温度T2、湿度H1、人体舒适度指数S1、是否为节假日R1、是否为调休日N1，共6种主要关联因素。

d)采用主要关联因素建立并优化孪生支持向量机低压故障预测模型或面向不同用户类别的孪生支持向量机预测模型。

建立孪生支持向量机预测模型具体包括以下步骤：

e)依据采集到的各用户用电的实时数据的实时数据，对整体区域用户的实时数据进行整理分类，对用户1，用户2…用户n，建立相应的孪生支持向量机预测模型，将分类的预测结果融合处理，从而获得区域总体用电预测模型。

若整体区域用电负荷将超出计划供电，则出现负荷超载，则与相匹配的用电孪生模型交互，在泛在电力物联网经验库中找到三维指导维修书，在数字孪生模型上进行模拟供电调整过程，提高维修的精准性。将调整过后的用电数据进行采集与相匹配的孪生模型交互迭代跳转到e)步骤。

若整体区域没有出现负荷问题，则与区域总体用电预测模型产生的区域整体电负荷等仿真数据，以及通过多维数据处理与融合得到的融合数据进行交互迭代，对区域总体用电预测模型进行优化，实现电网风险的预测。

建立并优化孪生支持向量机低压故障预测模型包括以下步骤：

依据采集到的低压供电区域的实时数据和其他影响因素，包括天气，环境等数据，以及低压供电服务云平台的历史数据，通过连接数字孪生知识库和经验库，调阅故障录波曲线。根据故障录波曲线判断是否出现低压故障。

若低压供电区域出现问题，则与相匹配的孪生支持向量机低压故障预测模型交互，在泛在电力物联网经验库中找到三维指导维修书，在数字孪生模型上进行模拟故障维修过程。

若低压供电区域没有出现问题，则与数字孪生模型产生的仿真数据，以及通过多维数据处理与融合得到的融合数据进行交互迭代，实现营配调集过程中低压故障主动感知。

步骤4：将数字孪生模型与正常状态进行比对交互，对泛在电力物联网进行实时监测。

通过与虚拟模型定义的当前正常状态进行实时的比对与交互，对泛在电力物联网进行实时监测。

应当指出，虽然通过上述实施方式对本发明进行了描述，然而本发明还可有其它多种实施方式。在不脱离本发明精神和范围的前提下，熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形，但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。

Claims (8)

1.一种泛在电力物联网监测方法，其特征在于，包括以下步骤：

利用数据采集设备对泛在电力物联网中的各单位进行实时数据的采集；

依据实时数据创建相应的数字孪生模型；

将数字孪生模型与正常状态进行比对交互，对泛在电力物联网进行实时监测；

所述数字孪生模型包括设备故障预测模型和孪生支持向量机预测模型；

建立设备故障预测模型包括以下步骤：

提取采集到的实时数据，创建电网设备在运行过程中初始变形量解空间;

当所述变形量发生变化时产生新解；

判断产生的新解是否需要与历史数据进行比对，若新解在电网设备规格数据范围内则无需比对，若超出该范围则进行比对；

若未发生比对操作，则对初始变形量解空间进行匹配；

若发生比对操作，计算比对距离L并通过有限元分析，利用K-MEANS聚类算法进行相似度匹配；

当比对距离L大于0时，将变形量解放入设备故障目标函数；将设备故障目标函数的解放入设备故障维修调和函数中，并上传至泛在电力物联网设备质量服务平台；

当比对距离L小于0时设备出现故障，对相应的数字孪生模型迭代优化，通过迭代优化，产生新的变形量解空间，返回步骤c。

2.根据权利要求1所述泛在电力物联网监测方法，其特征在于：建立孪生支持向量机预测模型包括以下步骤：

提取采集到的实时数据，运用最大信息系数计算各影响因素与用户用电量或者低压供电系统数据的相关性，依据相关性大小对不同影响因素排序，从而提取主要关联因素；

采用主要关联因素建立孪生支持向量机低压故障预测模型或面向不同用户类别的孪生支持向量机预测模型。

3.根据权利要求2所述泛在电力物联网监测方法，其特征在于：建立不同用户类别的孪生支持向量机预测模型后，对多个所述模型进行融合处理，以获得区域总体用电预测模型。

4.根据权利要求2所述泛在电力物联网监测方法，其特征在于：所述影响因素包括用电周期、用电趋势和环境扰动。

5.根据权利要求2所述泛在电力物联网监测方法，其特征在于：建立所述孪生支持向量机预测模型还包括以下步骤：

对提取到的实时数据进行平滑化和归一化处理；

将所得的数据进行K-MEANS聚类。

6.根据权利要求1所述泛在电力物联网监测方法，其特征在于：所述方法还包括以下步骤：

对采集到的实时数据进行整理和过滤；

融合实时数据，泛在电力物联网的历史数据以及数字孪生模型的仿真数据，对数字孪生模型进行优化。

7.根据权利要求1所述泛在电力物联网监测方法，其特征在于：所述实时数据包括电参量和非电参量。

8.根据权利要求7所述泛在电力物联网监测方法，其特征在于：所述电参量包括设备的振动，转速、压力、角度、电压、电流、有功功率、无功功率、功率因素、谐波含量、直流电源状态和低压配电数据；所述非电参量包括变压器温度、触头温度、环境湿度、水浸状态、烟感告警、视频信息。

Images