CN110888013A - 电力设备的故障预测方法、装置和电力监控系统 - Google Patents

电力设备的故障预测方法、装置和电力监控系统 Download PDF

Info

Publication number
CN110888013A
CN110888013A CN201811048784.XA CN201811048784A CN110888013A CN 110888013 A CN110888013 A CN 110888013A CN 201811048784 A CN201811048784 A CN 201811048784A CN 110888013 A CN110888013 A CN 110888013A
Authority
CN
China
Prior art keywords
fault
signal data
target sequence
prediction
data
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
Application number
CN201811048784.XA
Other languages
English (en)
Inventor
祝永晶
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.)
BYD Co Ltd
Original Assignee
BYD 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 BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN201811048784.XA priority Critical patent/CN110888013A/zh
Publication of CN110888013A publication Critical patent/CN110888013A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种电力设备的故障预测方法、装置和电力监控系统，该方法包括获取各电力设备对应的信号数据；对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列；根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。通过本发明能够实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量，用于解决现有技术中工作量较大、故障诊断的滞后性和局限性较高的技术问题。

Description

电力设备的故障预测方法、装置和电力监控系统
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种电力设备的故障预测方法、装置和电力监控系统。
背景技术
随着城市轨道交通的不断发展，对地铁、轻轨等城市轨道交通相关设备的运营使用和维修保障的要求越来越高。电力监控系统(Power Supervision Control And DataAcquisition，PSCADA)作为电力调度工具之一，使用计算机技术对电力设备进行监视和控制，完成遥信、遥测、遥控、遥调任务，是综合监控系统中非常重要的子系统，成为实现电网调度自动化的可靠手段。
相关技术中，通过具有大量专门知识和经验的计算机程序的专家系统，对电力设备进行故障预测。具体地，通过专家系统在线监测电力设备，并进行数据采集、存贮，然后传送到诊断运行中心，对采集的数据进行处理、分析和诊断，最后将诊断结果和处理建议自动地反馈回运行现场。
这种方式下，专家系统需要大量的专业知识，并汇总了领域内专家的经验，然而，知识经验的采集难度较大，并依赖人的历史经验对经验进行归纳整理，工作量较大。并且，当故障变化时，新进产生、遇到的故障，专家系统无法对其进行诊断，故障诊断的滞后性和局限性较高。
发明内容
本发明提出一种电力设备的故障预测方法、装置和电力监控系统，以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量，用于解决现有技术中工作量较大、故障诊断的滞后性和局限性较高的技术问题。
本发明一方面实施例提出的电力设备的故障预测方法，包括：
获取各电力设备对应的信号数据；
对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列；
根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。
本发明实施例的电力设备的故障预测方法，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
本发明又一方面实施例提出的电力设备的故障预测装置，包括：
获取模块，用于获取各电力设备对应的信号数据；
处理模块，用于对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列；
预测模块，用于根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。
本发明实施例的电力设备的故障预测装置，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
本发明又一方面实施例提出的电力监控系统，包括：本发明上述实施例提出的电力设备的故障预测装置。
本发明实施例的电力监控系统，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
本发明又一方面实施例提出的计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本发明前述实施例提出的电力设备的故障预测方法。
本发明又一方面实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明前述实施例提出的电力设备的故障预测方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例一提出的电力设备的故障预测方法的流程示意图；
图2为本发明实施例的数据处理流程示意图；
图3是本发明实施例二提出的电力设备的故障预测方法的流程示意图；
图4是本发明实施例三提出的电力设备的故障预测方法的流程示意图；
图5是本发明实施例四提出的电力设备的故障预测装置的结构示意图；
图6是本发明实施例五提出的电力设备的故障预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
下面参考附图描述本发明实施例的电力设备的故障预测方法、装置和电力监控系统。在具体描述本发明实施例之前，为了便于理解，首先对常用技术词进行介绍：
Veterbi算法，指维特比算法，应用动态规划高效地求解最优路径，即概率最大的状态序列。
Baum-Welch算法，指前向-后向算法。
DI，数字输入(digital input)，是PSCADA输入输出的信号类型。
AI，模拟输入(Analog input)，是PSCADA输入输出的信号类型。
UI，用户界面(User Interface)，指用户的操作界面，包含移动应用程序(Application，简称APP)，网页，智能穿戴设备等。
sqoop，是一款开源的工具，主要用于在Hadoop(Hive)与传统的关系型数据库(例如MySQL、Oracle、Postgresql等等)间进行数据的传递，可以将一个关系型数据库(例如MySQL、Oracle、Postgresql等等)中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
HDFS，Hadoop分布式文件系统(Hadoop Distributed File System)被设计成适合运行在通用硬件上的分布式文件系统，HDFS是一个高度容错性的系统。
HBase，是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
Hive，是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，而不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
HMM模型，隐马尔科夫模型(Hidden Markov Model)。HMM模型中的状态序列，为隐藏的马尔科夫链随机生成的状态的序列；每个状态生成一个观测，由此产生的观测的随机序列，称为观测序列。HMM模型可以解决以下三类问题：
1)概率计算问题。假设给定的HMM模型为：λ＝(A,B,π)，观测序列为：O＝(o1,o2,…,ot,…,oT)，则可以计算在HMM模型λ下，观测序列O出现的概率P(O/λ)；其中，A为转移概率矩阵和B为观测概率矩阵。
2)学习问题。已知观测序列为：O＝(o1,o2,…,ot,…,oT)，可以估计HMM模型λ＝(A,B,π)的参数，使得在该HMM模型下，观测序列概率P(O/λ)最大，即可以用极大似然估计法估计上述参数。其中，当状态序列已知时，HMM模型为监督学习，当状态序列未知时，HMM模型为非监督学习。
3)预测问题，也为解码问题。已知HMM模型为：λ＝(A,B,π)，观测序列为：O＝(o1,o2,…,ot,…,oT)，可以求对给定观测序列条件概率P(I/O)最大的状态序列I＝(i1,i2,…,iT)。即给定观测序列，可以求最有可能的对应的状态序列。
图1是本发明实施例一提出的电力设备的故障预测方法的流程示意图。
本发明实施例的执行主体为电力设备的故障预测装置，该电力设备的故障预测装置可以应用于大数据平台。
如图1所示，该电力设备的故障预测方法可以包括以下步骤：
步骤101，获取各电力设备对应的信号数据。
具体地，电力监控系统可以对电力设备进行监视和控制，因此，可以由电力监控系统采集各电力设备对应的信号数据。其中，电力监控系统采集的信号数据主要为信息点表，这些信息点表出自不同的电力设备，汇总于变电所综合自动化系统，并最终上报给综合监控系统。
需要说明的是，由于不同的开关柜监控点类之间存在独立性，因此，本发明实施例的预测对象可以为电力设备中的开关柜监控点类，例如为AC40.5kV开关柜监控点类、DC1500V开关柜监控点类，AC0.4kV开关柜监控点类等。
参见下述表1，表1为开关柜监控点类的监控点表示意。
表1
序号 属性描述 I/O类型
1 二极管支路1电流 AI
2 二极管支路2电流 AI
3 二极管支路3电流 AI
4 二极管支路4电流 AI
5 二极管支路5电流 AI
6 二极管支路6电流 AI
7 二极管支路1短路故障 DI
8 二极管支路2短路故障 DI
9 二极管支路3短路故障 DI
10 二极管支路4短路故障 DI
11 二极管支路5短路故障 DI
12 二极管支路6短路故障 DI
13 消弧支路电流 AI
14 消弧支路短路故障 DI
作为一种示例，信息电表可以如表1所示，该信息电表可以包括故障数据和/或正常状态的数据。其中，短路故障一般具有保护措施，在重点监测点发生短路故障后，会有数字信号(DI)上报短路故障至给电力监控系统，类似的，断相也有相应的数据上报至电力监控系统。
本发明实施例中，当电力监控系统采集各电力设备对应的信号数据后，电力监控系统可以将采集的对应的信号数据存储至传统的关系型数据库中，而后，大数据平台可以从上述关系型数据库中获取电力监控系统上采集的对应的信号数据。例如，该大数据平台可以基于Hadoop等大数据技术和HBase等非关系型数据库，使用sqoop技术，远程从传统关系型数据库(例如MySQL、Oracle、Postgresql等等)获取电力监控系统上采集的对应的信号数据存入大数据平台，或者，可以将对应的信号数据以文件形式存入HDFS，或者，可以将对应的信号数据直接导入至HBase或Hive，从而作为待处理的信号数据。
本发明实施例中，通过大数据平台远程获取各电力设备对应的信号数据，可以不受地域距离的限制，可以充分调动运算资源，可以独立于信号上报系统之外对信号数据进行分析处理，不仅能够保证信号数据的安全性，还可以有利于预测系统和信号采集系统的解耦，同时，大数据平台可以保证在线预测故障的及时性。
步骤102，对信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列。
本发明实施例中，预设模型为预先训练好的模型，例如可以为关于时序的概率模型，比如为隐马尔科夫模型(Hidden Markov Model，HMM)，或者为其他，对此不作限制。为了便于说明，本发明实施例可以以预设模型为HMM模型示例。
具体地，可以根据训练数据，对HMM模型λ＝(A,B,π)进行训练。如果训练数据同时包括状态序列I和观测序列O，则可以由监督学习的方式，对HMM模型进行训练。而如果训练数据只包括观测序列O，则可以由非监督学习的方式，对HMM模型进行训练，例如，可以使用Baum-Welch算法，对HMM模型进行训练。
其中，状态序列I＝(i1,i2,…,iT)中i的取值范围可以为故障(老化、劣化类的短路故障和断相故障)分类的y序列的值，例如，标记y序列为：y＝{y0,y1,y2,……ym,ym+1,……}，其中，y0＝0是无故障，y1是支路1短路故障，y2是支路2短路故障，y3是支路3短路故障，以此类推，ym为某支路断相故障，ym+1为其他支路断相故障，等等，则状态序列I的取值范围为y序列中的值。观测序列O可以对应特征提取之后的电力设备对应的信号数据，通常可为某电力设备支路的电流或者电压值，假设预处理、特征提取后信号数据种类为N，则观测序列O是N维的，例如为：O＝(o1,o2,…,ot,…,oT)，其中，ot＝[s1,s2,…,sN]，ot为任意时刻t的观测序列，s1，s2，…，sN分别对应该时刻t的信号1，信号2，…，信号N。作为一种示例，参见表1，二极管支路1-6电流和消弧支路电流这些AI数据都是观测序列O，二极管支路1-6短路故障和消弧支路短路故障为状态序列I＝(i1,i2,…,iT)。
实际应用时，可以根据训练数据，决定采用监督学习的方式还是非监督学习的方式，对HMM模型进行训练。当采用监督学习的方式时，输入数据可以为观测序列O和人工标注的状态序列I，而后可以使用极大似然估计法估算HMM模型中的转移概率矩阵A和观测概率矩阵B，状态序列I＝(i1,i2,…,iT)中i的取值范围可以为故障(老化、劣化类的短路故障和断相故障)分类的y序列中的值，例如，标记y序列取K个值，即y＝{y0,y1,y2,……,yK}，y0＝0是无故障，y1是支路1短路故障，y2是支路2短路故障，以此类推，ym为某支路断相故障，ym+1为其他支路断相故障，yK＝K。当采用非监督学习的方式时，输入数据可以为历史观测序列O，和隐藏状态序列层数(n_components＝K)，对HMM模型进行训练。因此，可以根据实际的训练数据，确定选择何种学习方式，对HMM模型进行训练。
本申请实施例中，对HMM模型进行训练后，当获取到各电力设备对应的信号数据后，可以对信号数据进行预处理、特征提取，而后根据数据处理得到的结果，描述HMM模型中的在线观测序列，即当预设模型为HMM模型时，目标序列可以为在线观测序列。
步骤103，根据所描述的目标序列，结合预设模型，对各电力设备进行故障预测。
本发明实施例中，在得到目标序列后，可以结合预设模型，对各电力设备进行故障预测。例如，当预设模型为HMM模型时，在得到目标序列，即在线观测序列后，可以使用Veterbi算法，根据HMM模型和在线观测序列，可以预测未来一系列时间点的y序列中各故障类型对应的概率值，即确定y1,y2，……等各支路故障类型对应的概率值。由于y序列中记录了具体哪一条支路发生了故障以及故障的类型，例如y0＝0是无故障，y1是支路1短路故障，y2是支路2短路故障，…，ym为某支路断相故障，ym+1为其他支路断相故障，…，等等。从而根据y序列中各故障类型对应的概率值，可以确定哪一条支路发生故障。
本发明实施例的电力设备的故障预测方法，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
相关技术中，还可以通过模拟人类神经系统传输、处理信息过程的人工神经网络，对电力设备进行故障预测。具体地，通过对样本的学习，采用神经元实现变电站故障分析的方法及它们之间的有向权重连接来隐含处理问题的知识。
这种方式下，人工神经网络需要大量的样本进行训练，包括故障样本和正常样本，而实际在监控系统中，故障样本在样本中的比率很低，从而导致人工神经网络模型的预测的准确度较低。
而本发明实施例中，预设模型的训练样本可以无需设置的过多，当使用少量样本对预设模型进行训练时，可以对该预设模型进行动态更新，使得模型训练的自动化。例如，可以以预设时间间隔，对预设模型进行更新。
通常，模型一旦确定就很少更新，或者当发现问题时才对模型进行手动更新，而本发明实施例中，通过对预设时间间隔进行设置，实现对预设模型的自动更新，可以节省重新训练的人力成本，又可以保证预设模型及时更新，从而提升预测结果的准确度。
作为一种示例，参见图2，在大数据平台，可以通过sqoop软件将关系型数据库(例如MySQL、Oracle等)中的信号数据导入至HDFS，并保存为可读文件。而后，进行数据预处理、特征提取等步骤，并根据历史数据对HMM模型进行训练，利用训练后的HMM模型，对电力设备进行故障预测。其中，Time1为HMM模型预测的时间间隔，Time2为HMM模型训练并更新的时间间隔。由于模型预测是实时性的，而模型训练更新是阶段性的，无需经常更新，因此，Time2可以远大于Time1。
作为一种可能的实现方式，参见图3，在图1所示实施例的基础上，步骤102具体可以包括以下步骤：
步骤201，对信号数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值。
本申请实施例中，为了减少特征数量，使预设模型泛化能力更强，减少过拟合的情况发生，可以对信号处理进行特征提取，从而实现对信号数据进行降维处理，得到对应电力设备中各电路支路的输出的电流值或电压值。
例如，当预设模型为HMM模型时，为了实现对观测序列O进行相关性检查，减少特征数量，可以对信号数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值。
步骤202，对各电路支路的输出的电流值/电压值进行数据清洗处理。
具体地，对各电路支路的输出的电流值/电压值进行数据清洗处理，首先，可以剔除掉出现故障后，在维修时间段内的电流值/电压值，仅保留正常状态到故障状态的电流值/电压值。其次，可以剔除掉非劣化、老化故障的电流值/电压值，例如，人为操作、自然灾害造成的短路、断相故障等电流值/电压值。再者，可以剔除掉超指标范围的电流值/电压值以及残缺的电流值/电压值，例如可以根据各项电流值/电压值对应的阈值范围，确定电流值/电压值是否超过对应的阈值范围，若是，则认为该电流值/电压值为超指标范围的电流值/电压值。最后，可以对数据清洗处理后的电流值/电压值进行归一化处理，从而便于后续分析。
需要说明的是，本发明实施例中，仅以先对信号数据进行特征提取，而后进行数据清洗处理示例，实际应用时，还可以先对信号数据进行数据清洗处理，而后对清洗后的数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值，对此不作限制。
步骤203，根据清洗处理后的电流值/电压值描述第一目标序列，第一目标序列中的参数指示信号数据所属电路支路的输出的电流值/电压值。
本发明实施例中，在对电流值/电压值进行数据清洗后，可以根据清洗处理后的电流值/电压值描述第一目标序列，例如，当预设模型为HMM模型时，第一目标序列可以为在线观测序列(o1,o2,…,ot,…,oT)。其中，ot＝[s1,s2,…,sN]，ot为任意时刻t的观测序列，s1，s2，…，sN可以分别对应该时刻t的信号1所属电路支路的输出的电流值/电压值，信号2所属电路支路的输出的电流值/电压值，…，信号N所属电路支路的输出的电流值/电压值。
进一步地，参见图3，步骤102还可以包括以下步骤：
步骤204，解析信号数据的故障属性，并根据故障属性描述第二目标序列，第二目标序列中的参数指示对信号数据所属故障类型的预测。
本发明实施例中，故障属性包括故障点和故障类型，故障点例如可以为：支路1、支路2、支路3、支路4等，故障类型例如可以为短路故障、断相故障、复杂故障、自然灾害引起的故障等。其中，短路故障是指不同点位的导电部分包括导电部分对地之间的地阻性短接；断相故障包括：电力设备一相断开或俩相断开，属于不对称性故障；复杂故障是指电力设备的不用地点(俩处或俩处以上)同时发生不对称故障；自然灾害引起的故障主要包括泥石流，洪水，冻雨等引起的故障。
本发明实施例中，可以对信号数据的故障属性进行解析，根据故障属性描述第二目标序列，例如，在预设模型为HMM模型时，第二序列可以为y序列，y＝{y0,y1,y2,……ym,ym+1,……}，y0＝0是无故障，y1是支路1短路故障，y2是支路2短路故障，y3是支路3短路故障，…，ym为某支路断相故障，ym+1为其他支路断相故障，…。
作为一种可能的实现方式，参见图4，在图1至图3所示实施例的基础上，步骤103具体可以包括以下子步骤：
步骤301，根据所描述的第一目标序列和第二目标序列中的参数，结合预设模型确定各信号数据基于每种故障类型下的第一概率值。
本申请实施例中，根据第一目标序列和第二目标序列中的参数，结合预设模型，可以确定各信号数据基于每种故障类型下的第一概率值。
例如，当第一序列为在线观测序列，第二序列为y序列时，结合HMM模型，得到的为y序列中各个故障类型对应的概率值，例如为y1对应的概率值、y2对应的概率值、…、ym对应的概率值等。
步骤302，从各信号数据对应的第一概率值中选取满足预设条件的目标概率值。
本发明实施例中，预设条件为预先设置的，例如为信号数据对应的第一概率值大于预设阈值，或者为信号数据对应的第一概率值大于所有信号数据对应的第一概率值的均值，或者还可以为其他，对此不作限制。
可选地，为了提升预设模型输出的准确性，仅从各信号数据对应的第一概率值中选取满足预设条件的目标概率值。
步骤303，将目标概率值所对应的目标故障类型，作为对各电力设备进行故障预测得到的预测结果。
例如，目标概率值为y3和ym对应的概率值，则预测结果可以为：支路3短路故障和某支路断相故障。也就是说，本发明实施例，不仅可以对故障进行预测，还可以对故障类型进行预测，从而可以便于专业人员进行维修，提升该方法的实用性。
本发明实施例的电力设备的故障预测方法，通过根据所描述的第一目标序列和第二目标序列中的参数，结合预设模型确定各信号数据基于每种故障类型下的第一概率值，而后，从各信号数据对应的第一概率值中选取满足预设条件的目标概率值，最后，将目标概率值所对应的目标故障类型，作为对各电力设备进行故障预测得到的预测结果，由此，可以提升预测结果的准确性。并且，本发明不仅可以对故障进行预测，还可以对故障类型进行预测，从而可以便于专业人员进行维修，提升该方法的实用性。
为了实现上述实施例，本发明还提供一种电力设备的故障预测装置。
图5为本发明实施例四所提供的电力设备的故障预测装置的结构示意图。
如图5所示，该电力设备的故障预测装置100包括：获取模块110、处理模块120，以及预测模块130。
其中，获取模块110，用于获取各电力设备对应的信号数据。
作为一种可能的实现方式，获取模块110，具体用于：经由电力监控系统采集各电力设备对应的信号数据，并经由大数据平台获取电力监控系统上报的对应的信号数据。
处理模块120，用于对信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列。
预测模块130，用于根据所描述的目标序列，结合预设模型，对各电力设备进行故障预测。
进一步地，在本发明实施例的一种可能的实现方式中，参见图6，在图5所示实施例的基础上，该电力设备的故障预测装置100还可以包括：
作为一种可能的实现方式，处理模块120，包括：
提取子模块121，用于对信号数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值。
处理子模块122，用于对各电路支路的输出的电流值/电压值进行数据清洗处理。
描述子模块123，用于根据清洗处理后的电流值/电压值描述第一目标序列，第一目标序列中的参数指示信号数据所属电路支路的输出的电流值/电压值。
解析子模块124，用于解析信号数据的故障属性，并根据故障属性描述第二目标序列，第二目标序列中的参数指示对信号数据所属故障类型的预测。
作为一种可能的实现方式，预测模块130，包括：
确定子模块131，用于根据所描述的第一目标序列和第二目标序列中的参数，结合预设模型确定各信号数据基于每种故障类型下的第一概率值。
选取子模块132，用于从各信号数据对应的第一概率值中选取满足预设条件的目标概率值。
选择子模块133，用于将目标概率值所对应的目标故障类型，作为对各电力设备进行故障预测得到的预测结果。
需要说明的是，前述对电力设备的故障预测方法实施例的解释说明也适用于该实施例的电力设备的故障预测装置100，此处不再赘述。
本发明实施例的电力设备的故障预测装置，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
为了实现上述实施例，本发明还提供一种电力监控系统。
本发明实施例的电力监控系统可以包括前述图5至图6实施例提出的电力设备的故障预测装置100。
本发明实施例的电力监控系统，通过获取各电力设备对应的信号数据，而后，对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，最后，根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。由此，可以实现对独立供电设备的老化、劣化类的短路和断相故障进行预测，提升该方法的实用性。并且，通过使用大数据平台获取各电力设备对应的信号数据并对其进行处理，可以实现对故障预测的及时性。此外，无需采集领域内专家的经验知识，可以降低工作量。
为了实现上述实施例，本发明还提供一种计算机设备，存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上所述的电力设备的故障预测方法。
本发明还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的电力设备的故障预测方法。
本发明还提供一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上所述的电力设备的故障预测方法。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种电力设备的故障预测方法，其特征在于，包括以下步骤：
获取各电力设备对应的信号数据；
对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列；
根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。
2.如权利要求1所述的电力设备的故障预测方法，其特征在于，所述获取各电力设备对应的信号数据，包括：
经由电力监控系统采集各电力设备对应的信号数据，并经由大数据平台获取所述电力监控系统上报的所述对应的信号数据。
3.如权利要求1所述的电力设备的故障预测方法，其特征在于，所述对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，包括：
对所述信号数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值；
对所述各电路支路的输出的电流值/电压值进行数据清洗处理；
根据清洗处理后的电流值/电压值描述所述第一目标序列，所述第一目标序列中的参数指示所述信号数据所属电路支路的输出的电流值/电压值。
4.如权利要求3所述的电力设备的故障预测方法，其特征在于，所述对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列，包括：
解析所述信号数据的故障属性，并根据所述故障属性描述所述第二目标序列，所述第二目标序列中的参数指示对信号数据所属故障类型的预测。
5.如权利要求4所述的电力设备的故障预测方法，其特征在于，所述根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测，包括：
根据所描述的第一目标序列和第二目标序列中的参数，结合所述预设模型确定各信号数据基于每种故障类型下的第一概率值；
从所述各信号数据对应的第一概率值中选取满足预设条件的目标概率值；
将所述目标概率值所对应的目标故障类型，作为对所述各电力设备进行故障预测得到的预测结果。
6.一种电力设备的故障预测装置，其特征在于，包括：
获取模块，用于获取各电力设备对应的信号数据；
处理模块，用于对所述信号数据进行数据处理，并根据数据处理得到的结果描述预设模型中的目标序列；
预测模块，用于根据所描述的目标序列，结合所述预设模型，对所述各电力设备进行故障预测。
7.如权利要求6所述的电力设备的故障预测装置，其特征在于，所述获取模块，具体用于：
经由电力监控系统采集各电力设备对应的信号数据，并经由大数据平台获取所述电力监控系统上报的所述对应的信号数据。
8.如权利要求7所述的电力设备的故障预测装置，其特征在于，所述处理模块，包括：
提取子模块，用于对所述信号数据进行特征提取，得到对应电力设备中各电路支路的输出的电流值/电压值；
处理子模块，用于对所述各电路支路的输出的电流值/电压值进行数据清洗处理；
描述子模块，用于根据清洗处理后的电流值/电压值描述所述第一目标序列，所述第一目标序列中的参数指示所述信号数据所属电路支路的输出的电流值/电压值。
9.如权利要求8所述的电力设备的故障预测装置，其特征在于，所述处理模块，还包括：
解析子模块，用于解析所述信号数据的故障属性，并根据所述故障属性描述所述第二目标序列，所述第二目标序列中的参数指示对信号数据所属故障类型的预测。
10.如权利要求9所述的电力设备的故障预测装置，其特征在于，所述预测模块，包括：
确定子模块，用于根据所描述的第一目标序列和第二目标序列中的参数，结合所述预设模型确定各信号数据基于每种故障类型下的第一概率值；
选取子模块，用于从所述各信号数据对应的第一概率值中选取满足预设条件的目标概率值；
选择子模块，用于将所述目标概率值所对应的目标故障类型，作为对所述各电力设备进行故障预测得到的预测结果。
11.一种电力监控系统，其特征在于，包括如权利要求6-10任一项所述的电力设备的故障预测装置。
CN201811048784.XA 2018-09-10 2018-09-10 电力设备的故障预测方法、装置和电力监控系统 Pending CN110888013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811048784.XA CN110888013A (zh) 2018-09-10 2018-09-10 电力设备的故障预测方法、装置和电力监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811048784.XA CN110888013A (zh) 2018-09-10 2018-09-10 电力设备的故障预测方法、装置和电力监控系统

Publications (1)

Publication Number Publication Date
CN110888013A true CN110888013A (zh) 2020-03-17

Family

ID=69744947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811048784.XA Pending CN110888013A (zh) 2018-09-10 2018-09-10 电力设备的故障预测方法、装置和电力监控系统

Country Status (1)

Country Link
CN (1) CN110888013A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414938A (zh) * 2021-12-22 2022-04-29 南通联拓信息科技有限公司 一种配电网故障的动态响应方法及系统
CN115115303A (zh) * 2022-06-02 2022-09-27 中交机电工程局有限公司 一种基于智慧港口的散货管控一体化系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
CN105303296A (zh) * 2015-09-29 2016-02-03 国网浙江省电力公司电力科学研究院 一种电力设备全寿命状态评价方法
CN106483405A (zh) * 2016-09-30 2017-03-08 江苏大学 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法
JP2017049221A (ja) * 2015-09-04 2017-03-09 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 電力使用状態推定方法、電力使用状態推定装置およびプログラム
CN107292512A (zh) * 2017-06-20 2017-10-24 中国电力科学研究院 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法
CN108320043A (zh) * 2017-12-19 2018-07-24 江苏瑞中数据股份有限公司 一种基于电力大数据的配电网设备状态诊断预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617469A (zh) * 2013-12-18 2014-03-05 重庆大学 电力系统设备故障预测方法及系统
JP2017049221A (ja) * 2015-09-04 2017-03-09 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 電力使用状態推定方法、電力使用状態推定装置およびプログラム
CN105303296A (zh) * 2015-09-29 2016-02-03 国网浙江省电力公司电力科学研究院 一种电力设备全寿命状态评价方法
CN106483405A (zh) * 2016-09-30 2017-03-08 江苏大学 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法
CN107292512A (zh) * 2017-06-20 2017-10-24 中国电力科学研究院 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法
CN108320043A (zh) * 2017-12-19 2018-07-24 江苏瑞中数据股份有限公司 一种基于电力大数据的配电网设备状态诊断预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁岩 等: ""基于隐马尔可夫模型的电力系统连锁故障预测"", 《电网与清洁能源》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414938A (zh) * 2021-12-22 2022-04-29 南通联拓信息科技有限公司 一种配电网故障的动态响应方法及系统
CN114414938B (zh) * 2021-12-22 2023-06-16 哈尔滨光宇电气自动化有限公司 一种配电网故障的动态响应方法及系统
CN115115303A (zh) * 2022-06-02 2022-09-27 中交机电工程局有限公司 一种基于智慧港口的散货管控一体化系统及方法

Similar Documents

Publication Publication Date Title
Xu et al. A classification approach for power distribution systems fault cause identification
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN103744850B (zh) 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN114266301B (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN103810533A (zh) 一种基于云模型的配电网故障风险识别方法
CN104133143B (zh) 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN109491339B (zh) 一种基于大数据的变电站设备运行状态预警系统
CN110555477A (zh) 一种市政设施故障预测方法及装置
CN116739562A (zh) 一种基于lstm的配电网稳定性运维方法
CN107784393A (zh) 一种输电线路的缺陷预测方法及装置
CN110888013A (zh) 电力设备的故障预测方法、装置和电力监控系统
CN117110748A (zh) 一种基于融合终端的变电站主设备运行状态异常检测方法
Nguyen et al. Applications of anomaly detection using deep learning on time series data
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
CN114201825B (zh) 基于组合特征的设备性能退化状态的评估方法及系统
CN118504991A (zh) 一种电力保障区域的停电处理方法、装置、设备及介质
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
Sun et al. A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios
Jiang et al. A timeseries supervised learning framework for fault prediction in chiller systems
Hu et al. Operational reliability evaluation method based on big data technology
Xu et al. Power distribution systems fault cause identification using logistic regression and artificial neural network
CN115936663A (zh) 一种电力系统的维护方法及装置
CN115756922A (zh) 一种故障预测诊断方法、装置、电子设备及存储介质
CN114118759A (zh) 一种配变台区负荷过载状态评估方法及装置

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: 20200317