CN110912272A - 基于区域性异常模式识别的城市电网故障检测方法和系统 - Google Patents
基于区域性异常模式识别的城市电网故障检测方法和系统 Download PDFInfo
- Publication number
- CN110912272A CN110912272A CN201911222835.0A CN201911222835A CN110912272A CN 110912272 A CN110912272 A CN 110912272A CN 201911222835 A CN201911222835 A CN 201911222835A CN 110912272 A CN110912272 A CN 110912272A
- Authority
- CN
- China
- Prior art keywords
- power grid
- fluctuation
- clustering
- abnormal
- 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
Images
Classifications
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明提供一种基于区域性异常模式识别的城市电网故障检测方法和系统,具体涉及数据模式识别技术领域。该方法可以包括:监测目标城市电网运行状况,建立反映异常电流波动的波动信号数据流;对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;基于结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。基于本发明提供的方案可迅速准确地定位故障源,在大多数情况下能有效地发现城市电网中潜在的区域性故障。
Description
技术领域
本发明涉及行为识别技术领域,具体涉及一种基于区域性异常模式识别的城市电网故障检测方法和系统。
背景技术
随着城市化进程加快,以居民、金融工商业、服务业、高端制造业为代表的城镇负荷增加迅猛,智能化是城市电网发展的必然趋势和方向,也是解决城市电网所面临问题的有效途径。智能电网作为本世纪电力工业最大变革和创新,已引起了世界范围内多学科、多领域的研究和建设热潮。然而,随着城市电网运行复杂程度的不断升高,诱发电网故障的因素也越来越多。
基于故障应急的研究主要基于快速仿真决策、协调控制和分布能源集成等,采用智能化手段进行快速故障诊断、事故处理等辅助决策,并将有用信息直观展示,提高故障应急处理的效率。故障应急一般分为两步:故障识别和处理决策。其中,故障识别是关键,行动决策是基于前者提供的信息做出的最优化抉择。目前,基于城市电网的故障识别主要有以下几种途径:基于专家系统的检测途径、基于信号处理的检测途径、基于信号融合的检测和基于数据驱动的检测。
现有的各种运维研究大大提高了城市电网的安全性和鲁棒性,但几乎都是基于已发生故障的反馈控制机制。然而,尽管城市电网存在一些不可避免的故障(如自然灾害),但还存在潜在故障,即从故障特征出现到完全爆发之间存在一定的时间间隔。如果这些故障仍处于初始故障状态时能够被检测到,则可以将损失最小化。此外,为了满足城市电网供电可靠性的要求,降低城市电网输电线路的损耗,输电线路的结构变得越来越复杂。故障报警点的地理位置可能远离实际故障源。因此,如何有效地定位故障源也是保证城市电网安全运行的关键。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于区域性异常模式识别的城市电网故障检测方法和系统,解决了城市电网中潜在区域性故障的检测问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
根据本申请的一个方面,提供了一种基于区域性异常模式识别的城市电网故障检测方法,包括:
监测目标城市电网运行状况,采集所述目标城市电网运行过程中实时产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别所述波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
可选地,以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系包括:
基于出现异常波动信号的电路在城市电网中的位置确定其所隶属的不同能级的上游基站信息;
以所述不同能级上游基站信息为度量,对所述当前分析窗口内的波动信号数据进行多层聚类;
最终以结构树的方式显现出异常信号与各能级基站之间的关联关系。
可选地,以所述不同能级上游基站信息为度量,对所述当前分析窗口内的波动信号数据进行多层聚类,包括:
以所述不同层级的上游基站为度量,基于K-medoids聚类算法对采集到的所述波动信号数据进行多层聚类。
可选地,以所述不同能级的上游基站为度量,基于K-medoids聚类算法对采集到的所述波动信号数据进行多层聚类,包括:
以所述不同能级的上游基站为度量,基于K-medoids聚类算法,以绝对误差标准度量作为目标函数,对所述波动信号数据流进行多层聚类。
可选地,对所述波动信号数据进行多层聚类之前,还包括:
在K-medoids聚类算法的迭代收敛环节,引入不动点迭代算法,构建不动点方程,通过求解所述不动点方程,优选所有聚类簇的簇中心。
可选地,基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级,包括:
根据预设的不同度量逻辑判断规则,将所述所有聚类簇的簇内密度进行度量,对异常波动信号的数量超出预设的正常标准范围的聚类簇作为筛选聚类簇,以假定所述筛选聚类簇所对应的基站覆盖范围内存在集体离群点;
基于所述筛选聚类簇的上下层聚类簇的簇内的互信息进行对比,以对所述筛选聚类簇进行进一步甄别,从而确定出多个故障源聚类簇,基于各所述故障源聚类簇所处的基站覆盖范围,确定故障源的实际发生位置以及维修路径;
比较所述各故障源聚类簇之间的平均异常波动幅度,判断所述各故障源的严重程度,确定所述各故障源的维修优先级。
根据本申请的另一个方面,提供了一种基于区域性异常模式识别的城市电网故障检测系统,包括:
波动信号数据流建立模块,配置成监测目标城市电网运行状况,采集所述目标城市电网运行时的产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
波动数据多层聚类模块,配置成以异常波动信号点所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
故障源维修模块,配置成基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别所述波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
(三)有益效果
本发明提供了一种基于区域性异常模式识别的城市电网故障检测方法和系统。与现有技术相比,具备以下有益效果:
1、基于接收到的所有异常登记的电路波动信息,识别城市电网中可能存在的或处于初期阶段的区域性故障;
2、以真实值作为簇中心,可以有效降低聚类对极值、噪声或缺失值的敏感性;
3、利用不动点迭代法,改善波动信号数据聚类分析的速度和精度,提高城市电网区域性故障检测的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是三相电流波动信号等级示意图;
图2是根据本申请实施例的基于区域性异常模式识别的城市电网故障检测方法流程图;
图3是多能级变电站结构示意图;
图4是根据本申请实施例的多层聚类结果的结构树图;
图5是根据本申请实施例的电路运行状态监测器示意图;
图6是根据本申请实施例的检测结果示意图;
图7是根据本申请实施例的区域性故障彻底爆发时的波动信号分布示意图;
图8是根据本申请实施例的基于区域性异常模式识别的城市电网故障检测系统结构示意图。
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,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。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。
本申请实施例通过提供一种基于区域性异常模式识别的城市电网故障检测方法和系统,可迅速准确地定位故障源,在大多数情况下都能有效地发现城市电网中潜在的区域故障。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
首先,监测目标城市电网运行状况,采集目标城市电网运行时的产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;然后以异常波动信号点所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;最后,基于结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
城市电网是指由外层500kV环网与内层220kV输电网、 110kV/35kV高压配电网、10kV及以下中低压配电网和环网柜等构成的电力系统。
现有研究主要从布局规划和故障应急两方面提高城市电网的稳定性。基于布局规划的研究根据城市最大供电能力,电力需求曲线以及电网运行方式,采用层次分析法,包络分析法,群智能仿生算法等多目标规划的全局寻优算法对不同能级的电网进行合理配置,避免因交直流并行,电力载荷不均匀,以及次联故障等对电网稳定性的影响。力求在电网的布局设计阶段,最大程度消除非外力干扰下电网自身运行过程中可能出现的不稳定因素。如,建立自愈控制体系,实时评价电力系统行为,自主应对电力系统可能发生的突发事件。基于电网柔性分区互联,实现分区间功率相互协调补充,功率支援,提升电网安全稳定水平。建立保底电网,形成最小规模的网架,兼顾城市核心区域,满足极端故障情况下的基本负荷需求。
目前,基于城市电网的故障识别主要有以下几种途径:基于专家系统的检测途径,通过构建模式识别知识库和故障原因推理机,提高故障检测的效率;基于信号处理的检测途径,通过对电路中的信号进行降噪、放大、叠加等处理,根据信号特征的异常变化幅度和趋势识别可能出现的故障;基于信息融合的检测,通过对城市电网中产生的各种多源、异构、不完备信息进行融合,提高城市电网系统对不确定信息的处理能力和对报警信息的充分利用;基于数据驱动的检测,通过分析各类故障数据和正常数据,挖掘不同影响因素之间的强相关规律,提高检测的效率。
现有关于城市电网故障检测的研究,大多数仅仅关注电路参数浮动超过额定范围或直接导致继电器跳闸的异常信号,属于事后反馈的检测机制,无法有效对城市中潜在的,处于处级阶段的区域性故障做到及时发现和准确定位。如图1所示,以某城市电网运维公司对三相电流波动信号分类为例,波动等级在Level 1-2以内的信号通常会被忽略,对Level3-4范围内的异常信号进行标记,如果在下一个采集时刻内恢复,则将标记释放掉,只有Level 5以上的异常信号会被记录和立即处理。
为解决上述提到的问题,本申请实施例提出一种基于区域性异常模式识别的城市电网故障检测方法,即基于不动点迭代的多层聚类方法(英文全称fixed point iterationbased multi-layered clustering algorithm,简称FPIML-clustering algorithm)。该方法主要原理是基于多层聚类和集体离群点检测,对所有从城市电网接收到的电路异常波动信息进行模式识别,识别城市电网中可能存在的或处于初期阶段的区域性故障,检测区域性故障的基站范围,并给出合理的维修路径。
图2是根据本申请实施例的基于区域性异常模式识别的城市电网故障检测方法流程图。参见图2所知,本申请实施例提供的基于区域性异常模式识别的城市电网故障检测方法可以包括:
步骤S201:监测目标城市电网运行状况,采集目标城市电网运行过程中实时产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
步骤S202:以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
步骤S203:基于结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
在本发明实施例中,进行城市电网区域性故障检测方法时,参见上述步骤S201,通过监测目标城市电网运行状况,以采集目标城市电网运行时的产生的所有异常电流波动信号,从而基于时间窗口技术建立波动信号数据流。
接着,执行步骤S202,对波动信号数据流中的波动信号数据进行多层聚类,显现出异常信号与各能级基站之间的关联关系。
在本发明一可选实施例中,对波动信号数据进行多层聚类时,可以包括:
1、基于出现异常波动信号的电路在城市电网中的位置确定其所隶属的不同能级的上游基站信息。
2、以不同能级上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类;可选地,可以以不同层级的上游基站为度量,基于K-medoids聚类算法对采集到的波动信号数据进行多层聚类。
3、最终以结构树的方式显现出异常信号与各能级基站之间的关联关系。
由于城市电网中各单元对电力负载的需求不同,不同能级的基站覆盖范围不同且相互重叠,致使城市电网线路结构复杂,远距离或跨区输电现象普遍。一级变电站可能下并行多个次级基站,每个次级基站下又包含多个子基站。如图3所示,一级变电站(TS)下并行TS·A,TS·B,and TS·C三个次级基站,每个次级基站下又包含多个子基站。为了实现对错综复杂的电路信息进行综合分析,在多能级的电网中快速有效的进行故障定位,以出现异常信号的电路所属的不同层级的上游基站(变电站)信息为度量,对接收的异常信息进行多层聚类。
可选地,以上游基站为度量进行多层聚类,就是以不同能级的上游基站为度量,基于K-medoids聚类算法,以绝对误差标准度量作为目标函数,对波动信号数据流进行多层聚类。
同时,进行多层聚类之前,在K-medoids聚类算法的迭代收敛环节,引入不动点迭代算法,构建不动点方程,通过求解不动点方程,优选所有聚类簇的簇中心。
不动点迭代是一种用一组显性方程通过逐次逼近去表示隐式方程的方法,即用近似解不断修正方程,直至最终收敛。不动点迭代法作为求解高度非线性数值问题的一种有效方法,由于其良好的数学性质和成熟的定理证明,在工程数学的许多领域中被广泛地用于求解方程。算法的主要概念和原理如下所示:
定义1:设X是Rn的一个子集,若对于X中每一点x,都有确定的f(x)∈X与之对应,则f是X的一个自映射,记作f:X→X。
定义2:设X是非空集合,f:X→X为其自映射。若存在x*∈X,满足f(x*)=x*,则称x*为f的一个精确不动点。
定义3:设(X,ρ)为一度量空间,T∶X→X为一映射。若存在L ∈[0,1),使得任意x,y∈X,有ρ(T(x),T(y))≤Lρ(x,y),则称T 是X上的压缩映射。
定义4:近似不动点:设ε为任意正数,若对于压缩映射T∶X→ X,|x-f(x)|表示n维欧式空间Rn的中向量x-f(x)的模。若存在点x*满足|x^*-f(x^*)|<ε,则称x*为f的一个近似不动点。
定理1:Banach不动点定理,又称压缩映射定理,设(X,ρ)为一非空的完备度量空间,T∶X→X为一压缩映射,则T在X中存在惟一的不动点。Banach不动点定理指出了不动点方程T(x)=x解的存在性和惟一性。
定理2:对任意压缩映射T∶X→X,设X是有界离散非空集合,即任意x∈X,有a≤x≤b,若满足以下两个条件:(1)对任意x∈X,有a≤T(x)≤b;(2)存在正常数L<1,对任意x,y∈X,都有 |T(x)-T(y)|<<L|x-y|;则T在有界离散非空集合内,存在唯一的不动点 x*。
不动点迭代法的具体步骤如下所示:
(1)构建不动点迭代方程。如果函数f(x)在其定义域内处处可导,则求解函数最值的问题可以转换为找到使其导函数取值为0的点,即求解f'(x)=0;
(2)将方程f'(x)=0变形为x=φ(x);
(3)在定义域内,选择一个初始近似解x0,将其代入方程x=φ(x) 的右边,可以得到x1=φ(x0)根据方程不断迭代该步骤:xk+1=φ(xk), k=0,1,2…,直到找到点x*满足:x*=φ(x*)。点x*即为精确不动点,也是原函数f(x)的极值点。
(4)如果算法在达到最大迭代次数时没有找到精确的不动点,根据定理1,选择满足|x*-f(x*)|<ε的点x*作为近似不动点,也是原函数 f(x)的近似极值点。
而基于不动点迭代法的多层聚类算法,本申请中采用的是多 K-medoids聚类算法(即K-中心点聚类算法),区别于其他的聚类算法, K-medoids聚类算法选取的中心点相较于其它使用均值作为聚类中心的聚类算法相比,在城市电网区域故障检测中,选取真实的异常信号作为中心点,且聚类结果质量依赖于迭代次数。
在K-medoids算法的收敛环节,每次替换簇中心后后形成的新聚类簇,可视为有界离散非空集合,由不动点定理2可知,对于每一个集合,必定存在唯一不动点。因此,本申请一可选实施例提出的算法,以绝对误差标准度量作为目标函数,构建不动点方程,将目标函数的极值求解问题转换为不动点方程求解问题。绝对误差标准度量按下式计算:
其中:
E表示绝对误差度量函数;
Dist()表示两数据点之间欧式距离度量函数;
o表示簇中心;
p表示聚类簇内其余数据
k表示实际的聚类簇数;
cj表示各个聚类簇;
该算法的具体步骤如下所示:
(1)对于当前聚类层,选取与聚类层序数相同能级的基站作为聚类中心。如,对于第一层聚类,则以所有一级能级的基站作为聚类中心。
(2)基于距离度量,将所有接收到的异常波动信号聚集到与其最相近的簇内。
(3)对形成的每个聚类簇Ci,以绝对误差标准度量函数E为目标函数,构建不动点方程,寻找使得E取极小值的数据对象,即对导数方程E'=0求解。
(4)将方程E'=0改写成x=φ(x)形式,以当前簇中心为初始值,进行不动点迭代,在簇内寻找不动点o*。
(5)如果在达到最大迭代次数前找到点o*满足o*=φ(o*),则o* 为精确不动点,且E'=0。若未找到精确不动点,则选择满足|o*-φ(o*)|< ε且精度最大的点,作为近似不动点。
(6)以每个聚类簇内求出的近似不动点为新的簇中心Ci',重新分配形成新的聚类,计算当前簇内绝对误差,与更新前的簇内绝对误差对比:si=E(Ci')-E(Ci)。
(7)对于每一个簇,若簇内代价减小si≤0,则保留近似不动点为新簇中心;若簇内代价增大si>0,则保留更新前的簇中心。
(8)以上一步确定的簇中心进行聚类,对新形成的簇第2-7步,直至所有簇的簇内代价不在发生变化或算法达到预设迭代次数。输出当前聚类簇作为第一层聚类的结果。
(9)在当前聚类层稳定后,对每个聚类簇重复第1-8步骤,直到聚类层中聚类簇对应的基站,在城市电网中不再包含任何次级基站。
当算法循环完之后,聚类簇中对应的基站为最底层基站。
多层聚类完成后,即可基于结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测城市电网中是否发生区域性故障,从而确定各故障源维修路径及优先级。
也就是说,在本实施例中,可根据预设的不同度量逻辑判断规则,将所有聚类簇的簇内密度进行度量,对异常波动信号的数量超出预设的正常标准范围的聚类簇作为筛选聚类簇,以假定筛选聚类簇所对应的基站覆盖范围内存在集体离群点,此时可以判定筛选聚类簇对应基站覆盖范围内可能发生区域性故障;进一步地,基于筛选聚类簇的上下层聚类簇的簇内的互信息(MI)进行对比,以对筛选聚类簇进行进一步甄别,从而确定出多个故障源聚类簇,基于各故障源聚类簇所处的基站覆盖范围,确定故障源的实际发生位置以及维修路径;最后,比较各故障源聚类簇之间的平均异常波动幅度,判断各故障源的严重程度,确定各故障源的维修优先级。
举例来说,如图4所示:
第一步的判断规则是基于每个聚类簇的簇内密度度量。从图中每个簇的颜色深浅可以看出,基站C1的下属基站C11,c111,基站C2及其下属基站C21,c211,c212,基站C3及其下属基站C31,C32内的异常信号数量均超过正常范围,因此可以假定这些基站覆盖范围内的电路中可能存在集体离群点。
第二步的判断规则基于上下层聚类簇的簇内的互信息(MI)对比。由于不同能级基站存在覆盖关系,如果是上级基站出现故障,则其下级基站的覆盖范围内会呈现出类似的故障信号。对其中出现的3种情况进行分别讨论:首先,在基站C3覆盖的网路中,MI(C3,C31)与MI (C3,C32)相似,且C31与C32内均疑似出现离群点,则基站C3为故障源的概率最大。其次,在基站C2覆盖的网路中,由于MI(C2,C21) 与MI(C2,C22)不相似,则故障源可能在下级基站,基站C21内又疑似出现集体离群点,则基站C21为故障源的概率最大。继续对比基站 C21与其下属基站的簇内信息,MI(C21,c211)与MI(C21,c212)相似,进一步佐证基站C21为故障源。最后,在基站C1覆盖的网路中,MI(C1, C11)与MI(C1,C21)不相似,且基站C11中存在集体离群点,则基站 C11为故障源概率最大。继续对比C11与其下属基站的簇内信息,MI(C11, c111)与MI(C11,c121)不相似,但MI(C11,c111)的值更大,且基站 c111内也存在集体离群点,因此基站c111为故障源概率最大。
确定故障源聚类簇的过程也就是识别集体离群点的过程。通过对城市电网接收到的所有电力波动信号进行分析,若波动信号(无论波动范围)在某一基站覆盖的网络中大量出现,就识别为异常波动信号,也就是集体离群点。
在数据分析中,离群点是一种与其它观测值偏离太大的观测值,从而引起人们怀疑它是由不同机制产生的。根据离群点不同特征,可以分为点离群点常、情境离群点和集体离群点。
如果一个数据在其目标特性的度量上与其他数据有显著的差异,则该数据被称为点离群点。情境离群点是指在特定的情境中明显偏离正常模式的数据。如果整个数据集被视为情境或情境属性为空,则点离群点是一种特殊类型的情境离群点。基于它们的检测方法主要侧重于分析单个数据是否呈现出异常特性。集体异常是指一组相关的数据,当它们以某种模式一起出现时,它们的整体行为属性将与整个数据集显著偏差,但集合中的单个数据就其本身而言可能不是异常的。
在本实施例提出的检测方法中,将城市电网中任何一个单独出现的波动信号被视为一个正常的数据,如果大量的波动信号在某个基站覆盖范围内同时出现,则将其识别为集体离群点。按这种方式,可以将检测电网中是否出现区域性故障的问题转换为基于波动信号检测是否存在集体离群点的问题。
整体对于步骤S102来说,为了实现对错综复杂的电路信息进行综合分析,在多能级的电网中快速有效的进行故障定位,以出现异常信号的电路所属的不同层级的上游基站(变电站)信息为度量,对接收的异常信息进行多层聚类。在聚类算法的迭代收敛环节,为了快速检测城市电网的区域故障,引入不动点迭代法,利用其较强的局部搜索能力和稳定的收敛性,加快每一层的聚类速度。其次,基于多层聚类后的结果,基于所有聚类簇的簇内信息对比,检测是否存在集体离群点。如图4所示,基于波动信号所属不同能级的基站信息,通过层层聚类,以结构树的方式呈现出异常信号与各能级基站之间的关联关系。不同聚类层级,对应不同能级的基站,从上至下,依次细化。每一层的簇,表示该基站覆盖范围内接收到的波动信号的异常程度,颜色越深,表示异常程度的越高。
在图4中,通过比较C3,C21和c111三个故障源内的平均异常波动程度来判断故障的严重程度,并据此确定处理决策的优先级。
下面通过一优选实施例对上述实施例所介绍的方法进行详细说明。本实施例只是用来说明本申请实施例的较佳实例,不能以此来限定本申请实施例所要求的权利范围,因此依据本申请实施例权利要求所作的等同变化,依然属于本发明所涵盖的范围。
以某市A区某电力运维公司6-8月收集的电网数据为基础,对本申请实施例提出的检测进行了测试。如图5所示,该公司在其运维的电网中,给所有的基站和用户的电箱都安装了监测器。监测器由电源模块、监测模块、温度模块和通信模块四部分组成。实验在该公司软件平台上操作,所有算法程序可在MATLAB 7.0上运行。
1.测试数据
电流是反应电路运行状态的关键指标,数量大且覆盖范围广,同时电流波动也是最为常见的电路故障信号,如大型用电器的开启闭合或工作状态切换,均会产生电流波动信号。该公司的检测器通过24小时不间断采集三相电流数据,对城市电网的运行状态进行监测。
该公司的软件操作平台每分钟对采集到的数据进行一次分析,为了简化数据处理过程,也将分析的滑动时间窗口设置为1分钟。通过与正常电流浮动范围的比较,将采集到的实时电流数据转换成异常波动信号。基于1分钟长度的时间窗口,将连续采集到的各检测点的当前电流数据流转换成波动信号数据流。基于该数据流,对本申请实施例提出的检测方法进行测试,判断是否存在由区域性故障引起的集体离群点。
基于该公司的运维数据,将A区城市电网在6-8月中实际发生的潜在区域故障标记出来,与本申请实施例提出的检测方法的效果进行对比,具体信息如表1中所示。“潜在区域故障”是指从区域故障的出现征兆到最终故障现象的形成之间有一段时间。表1为城市电网中实际发生的潜在区域故障的信息,如下所示:
表1
自然灾害(N) | 设备故障(E) | 人为事故(H) | 其它(O) | 总计 | |
6月 | 49 | 726 | 1324 | 2159 | 4258 |
7月 | 56 | 1127 | 1682 | 1835 | 4700 |
8月 | 31 | 838 | 1347 | 2736 | 4952 |
2.测试结果
如图6、图7所示,这是一个检测过程的可视化示例。图6是T 时刻基于本申请实施例提出的检测方法定位到某可能出现故障的基站范围内的异常波动信号的分析结果,虽然该区域内几乎没有高级别的异常波动信号,但聚集了大量level1和level2等级的波动信号,因此,将其识别为集体离群点,判断该基站覆盖范围内的电网中可能出现了区域性故障。但由于当时运维公司没有在该区域检测到明显的异常波动信号,因此没有对该区域的电力负荷情况做出任何响应。图7是在我们做出判断一个小时后,从电网中接收到的故障信号分布中可以看出,大量高危险信号出现,多处出现严重的电力故障,城市电网显现出明显的区域性故障。
基于本申请实施例提出的检测方法,对6-8月份A区电力运维数据的分析结果如表2中所示。除了自然灾害,基于其它三种原因引发的区域性故障的检测率均达到90%以上。经过对数据的分析对比,可以发现,由于自然灾害引起的区域性故障往往波及到城市多个区域,通过分析更大范围的数据分析才能更好的反映其形成过程。此次测试仅基于A区电力运维数据分析,故而识别率不高。然而,由自然灾害引起的区域故障占总体故障数量的比例很小,因此,本申请实施例提出的检测方法在大多数情况下都能有效地发现城市电网中潜在的区域故障。表2为城市电网中潜在区域故障的检测结果,如下所示:
表2
自然灾害(N) | 设备故障(E) | 人为事故(H) | 其它(O) | 总计 | |
7月 | 36 | 673 | 1215 | 2032 | 3956 |
8月 | 38 | 1057 | 1559 | 1674 | 4328 |
9月 | 17 | 771 | 1263 | 2568 | 4619 |
基于同一发明构思,如图8所示,本申请实施例还提供了一种基于区域性异常模式识别的城市电网故障检测系统1000,其包括:
波动信号数据流建立模块1010,其配置成监测目标城市电网运行状况,采集目标城市电网运行过程中实时产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
波动数据多层聚类模块1020,其配置成以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
故障源维修模块1030,其配置成基于结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
在本发明一可选实施例中,波动数据多层聚类模块1020,还可以配置成:
基于出现异常波动信号的电路在城市电网中的位置确定其所隶属的不同能级的上游基站信息;
以所述不同能级上游基站信息为度量,对所述当前分析窗口内的波动信号数据进行多层聚类;
最终以结构树的方式显现出异常信号与各能级基站之间的关联关系。
在本发明一可选实施例中,波动数据多层聚类模块1020,还可以配置成:
以不同层级的上游基站为度量,基于K-medoids聚类算法对采集到的所述波动信号数据进行多层聚类。
在本发明一可选实施例中,波动数据多层聚类模块1020,还可以配置成:
以不同能级的上游基站为度量,基于K-medoids聚类算法,以绝对误差标准度量作为目标函数,对所述波动信号数据流进行多层聚类。
在本发明一可选实施例中,波动数据多层聚类模块1020,还可以配置成:
在K-medoids聚类算法的迭代收敛环节,引入不动点迭代算法,构建不动点方程,通过求解所述不动点方程,优选所有聚类簇的簇中心。
在本发明一可选实施例中,故障源维修模块1030,还可以配置成:
根据预设的不同度量逻辑判断规则,将所有聚类簇的簇内密度进行度量,对异常波动信号的数量超出预设的正常标准范围的聚类簇作为筛选聚类簇,以假定筛选聚类簇所对应的基站覆盖范围内存在集体离群点;
基于筛选聚类簇的上下层聚类簇的簇内的互信息进行对比,以对筛选聚类簇进行进一步甄别,从而确定出多个故障源聚类簇,基于各故障源聚类簇所处的基站覆盖范围,确定故障源的实际发生位置以及维修路径;
比较各故障源聚类簇之间的平均异常波动幅度,判断各故障源的严重程度,确定各故障源的维修优先级。
综上所述,与现有技术相比,具备以下有益效果:
1、基于接收到的所有异常登记的电路波动信息,识别城市电网中可能存在的或处于初期阶段的区域性故障;
2、以真实值作为簇中心,可以有效降低聚类对极值、噪声或缺失值的敏感性;
3、利用不动点迭代法,改善波动信号数据聚类分析的速度和精度,提高城市电网区域性故障检测的实时性。
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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于区域性异常模式识别的城市电网故障检测方法,包括:
监测目标城市电网运行状况,采集所述目标城市电网运行过程中实时产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别所述波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
2.根据权利要求1所述的方法,其特征在于,以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系包括:
基于出现异常波动信号的电路在城市电网中的位置确定其所隶属的不同能级的上游基站信息;
以所述不同能级上游基站信息为度量,对所述当前分析窗口内的波动信号数据进行多层聚类;
最终以结构树的方式显现出异常信号与各能级基站之间的关联关系。
3.根据权利要求2所述的方法,其特征在于,以所述不同能级上游基站信息为度量,对所述当前分析窗口内的波动信号数据进行多层聚类,包括:
以所述不同层级的上游基站为度量,基于K-medoids聚类算法对采集到的所述波动信号数据进行多层聚类。
4.根据权利要求3所述的方法,其特征在于,以所述不同能级的上游基站为度量,基于K-medoids聚类算法对采集到的所述波动信号数据进行多层聚类,包括:
以所述不同能级的上游基站为度量,基于K-medoids聚类算法,以绝对误差标准度量作为目标函数,对所述波动信号数据流进行多层聚类。
5.根据权利要求4所述的方法,其特征在于,对所述波动信号数据进行多层聚类之前,还包括:
在K-medoids聚类算法的迭代收敛环节,引入不动点迭代算法,构建不动点方程,通过求解所述不动点方程,优选所有聚类簇的簇中心。
6.根据权利要求1所述的方法,其特征在于,基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级,包括:
根据预设的不同度量逻辑判断规则,将所述所有聚类簇的簇内密度进行度量,对异常波动信号的数量超出预设的正常标准范围的聚类簇作为筛选聚类簇,以假定所述筛选聚类簇所对应的基站覆盖范围内存在集体离群点;
基于所述筛选聚类簇的上下层聚类簇的簇内的互信息进行对比,以对所述筛选聚类簇进行进一步甄别,从而确定出多个故障源聚类簇,基于各所述故障源聚类簇所处的基站覆盖范围,确定故障源的实际发生位置以及维修路径;
比较所述各故障源聚类簇之间的平均异常波动幅度,判断所述各故障源的严重程度,确定所述各故障源的维修优先级。
7.一种基于区域性异常模式识别的城市电网故障检测系统,包括:
波动信号数据流建立模块,配置成监测目标城市电网运行状况,采集所述目标城市电网运行过程中实时产生的所有异常电流波动信号,基于时间窗口技术建立波动信号数据流;
波动数据多层聚类模块,配置成以异常波动信号点在电网中所隶属的不同能级的上游基站信息为度量,对当前分析窗口内的波动信号数据进行多层聚类,最终以结构树的方式显现出异常信号与各能级基站之间的关联关系;
故障源维修模块,配置成基于所述结构树中不同层次聚类簇的簇内结构对比,通过识别所述波动数据流中的集体离群点数据,进而检测所述城市电网中是否发生区域性故障,并基于各故障源的实际发生位置和波动幅度确定各故障源的维修路径和维修优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911222835.0A CN110912272B (zh) | 2019-12-03 | 2019-12-03 | 基于区域性异常模式识别的城市电网故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911222835.0A CN110912272B (zh) | 2019-12-03 | 2019-12-03 | 基于区域性异常模式识别的城市电网故障检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110912272A true CN110912272A (zh) | 2020-03-24 |
CN110912272B CN110912272B (zh) | 2023-02-21 |
Family
ID=69821995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911222835.0A Active CN110912272B (zh) | 2019-12-03 | 2019-12-03 | 基于区域性异常模式识别的城市电网故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110912272B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813831A (zh) * | 2020-07-10 | 2020-10-23 | 中国铁塔股份有限公司厦门市分公司 | 一种推测通信基站所属变电站的方法、设备及可读介质 |
CN116466237A (zh) * | 2023-03-23 | 2023-07-21 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194144A1 (en) * | 2011-01-30 | 2012-08-02 | Koren Erez | Balancing three phase power systems by smooth pahse shifting and clustering |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
US20150309089A1 (en) * | 2012-12-03 | 2015-10-29 | Mitsubishi Electric Corporation | Fault detection device, fault detection method, and program |
CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
US20170146585A1 (en) * | 2015-11-25 | 2017-05-25 | Hitachi, Ltd. | Estimating the locations of power system events using pmu measurements |
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
CN110134714A (zh) * | 2019-05-22 | 2019-08-16 | 东北大学 | 一种适用于大数据迭代计算的分布式计算框架缓存索引 |
-
2019
- 2019-12-03 CN CN201911222835.0A patent/CN110912272B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194144A1 (en) * | 2011-01-30 | 2012-08-02 | Koren Erez | Balancing three phase power systems by smooth pahse shifting and clustering |
US20150309089A1 (en) * | 2012-12-03 | 2015-10-29 | Mitsubishi Electric Corporation | Fault detection device, fault detection method, and program |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
US20170146585A1 (en) * | 2015-11-25 | 2017-05-25 | Hitachi, Ltd. | Estimating the locations of power system events using pmu measurements |
CN106080655A (zh) * | 2016-08-24 | 2016-11-09 | 中车株洲电力机车研究所有限公司 | 一种列车轴温异常的检测方法、装置以及列车 |
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
CN110134714A (zh) * | 2019-05-22 | 2019-08-16 | 东北大学 | 一种适用于大数据迭代计算的分布式计算框架缓存索引 |
Non-Patent Citations (4)
Title |
---|
TAO WANG ET AL.: "Workload-Aware Online Anomaly Detection in Enterprise Applications with Local Outlier Factor", 《IEEE》 * |
代杰杰 等: "基于区间集聚类分析的电力设备状态异常检测方法", 《电力信息与通信技术》 * |
任磊 等: "基于混合任务网络的智慧制造任务协同分配模型", 《计算机集成制造系统》 * |
季姝 等: "基于冗余数据压缩算法的经济信用风险研究", 《电子设计工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813831A (zh) * | 2020-07-10 | 2020-10-23 | 中国铁塔股份有限公司厦门市分公司 | 一种推测通信基站所属变电站的方法、设备及可读介质 |
CN111813831B (zh) * | 2020-07-10 | 2022-10-14 | 中国铁塔股份有限公司厦门市分公司 | 一种推测通信基站所属变电站的方法、设备及可读介质 |
CN116466237A (zh) * | 2023-03-23 | 2023-07-21 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
CN116466237B (zh) * | 2023-03-23 | 2024-04-02 | 苏州腾圣技术有限公司 | 一种锂电池的充电安全监测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110912272B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106019084B (zh) | 基于配用电数据关联的中压配电网断线故障诊断方法 | |
CN105891629B (zh) | 一种变压器设备故障的辨识方法 | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
Aminifar et al. | Observability enhancement by optimal PMU placement considering random power system outages | |
Chanda et al. | Quantifying resiliency of smart power distribution systems with distributed energy resources | |
CN110912272B (zh) | 基于区域性异常模式识别的城市电网故障检测方法和系统 | |
CN108073551A (zh) | 一种基于多Agent协同的高压开关柜在线故障诊断方法 | |
CN103871004A (zh) | 基于专家系统和d-s证据理论的配电网故障原因分析法 | |
CN108627720A (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
Ge et al. | Evaluation of the situational awareness effects for smart distribution networks under the novel design of indicator framework and hybrid weighting method | |
CN102800030B (zh) | 地区电网继电保护设备综合可靠性互动迭代评估方法 | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
Wang et al. | Review on evolution of intelligent algorithms for transformer condition assessment | |
Wang et al. | Power system fault classification and prediction based on a three-layer data mining structure | |
Wang et al. | Novel hierarchical fault diagnosis approach for smart power grid with information fusion of multi-data resources based on fuzzy petri net | |
Atrigna et al. | A machine learning approach to fault prediction of power distribution grids under heatwaves | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
Liu et al. | Review on D-PMU based applications for active electricity distribution system | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
Bardyk et al. | An Analysis of Uncertainty for Failure Risk Assessment of Power Transformer | |
Huang et al. | A novel approach to identify regional fault of urban power grid based on collective anomaly detection | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
Hao et al. | Data-driven lean management for distribution network | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
Yang et al. | Artificial Intelligence Based Fault Diagnosis and Analysis in the Distribution Network |
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 |