CN111292200A - 一种基于运行数据的配网典型故障研判方法 - Google Patents
一种基于运行数据的配网典型故障研判方法 Download PDFInfo
- Publication number
- CN111292200A CN111292200A CN202010053349.7A CN202010053349A CN111292200A CN 111292200 A CN111292200 A CN 111292200A CN 202010053349 A CN202010053349 A CN 202010053349A CN 111292200 A CN111292200 A CN 111292200A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- library
- database
- distribution network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000002955 isolation Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于运行数据的配网典型故障研判方法，包括以下步骤：S01：采集及抽取所需的数据；S02：对得到的数据进行缺失值和异常值分析，进行预处理；S03：利用预处理完的数据进行建模分类；S04：将建模分类的结果与故障分类标准匹配，形成故障数据库；S05：根据故障数据库对新的数据进行判断，做出预测。通过对数据的多层处理，再通过对数据库的判断，做出预测，帮助及时排除故障，减少可能的损失，提高效益。本发明的实质性效果包括：提高配网故障解决的效率和速度，保证供电的持续性和可靠性；做到精准处理，快速隔离，提升故障处置效率，以此来指导抢修工作；提早应对，未雨绸缪，以此来指导运维工作。
Description
技术领域
本发明涉及电力技术领域，特别涉及一种基于运行数据的配网典型故障研判方法。
背景技术
社会的快速发展促进了新兴产业的不断增多，电力能源的供应需求量越来越大，且对配网运行可靠性要求也越来越高。由于配网建设规模的不断扩大，逐渐呈现出复杂化的特点，导致运行中经常会出现停电现象，而大多数停电都与配电网系统自身有关，因此，对于配网故障解决的效率和速度是否高效就直接关系到供电的持续性和可靠性，也是供电服务品质提升的关键。
如授权公告号 CN106374624B的发明公开了一种基于就地分布式馈线自动化的智能研判与专家告警系统及其工作方法。包括依次相连的就地多次重合故障处理模块、开关控制模块、就地信号生成模块、通信模块、调度信号接收模块和馈线拓扑信号分析模块，还包括就地动作断面记录固化模块、动作断面与动作逻辑比较模块、智能研判模块和专家告警模块，该发明将故障告警信号依据馈线拓扑进行对应分析，生成故障隔离与负荷转供方案，依据该方案对就地馈线自动化动作结果是否正确进行研判，并给出故障下游恢复供电方案。
现有技术对于数据的处理过于单调，对数据的利用效率较低，导致故障的判断和预测水平较差。
发明内容
针对现有技术对于数据的处理过于单调，对数据的利用效率较低，故障的判断和预测水平较差的问题，本发明提供了一种基于运行数据的配网典型故障研判方法，提高了对数据的利用效率及准确率，以此提高故障判断和预测的准确度，有利于电网的稳定运行。
以下是本发明的技术方案。
一种基于运行数据的配网典型故障研判方法，包括以下步骤：S01：采集及抽取所需的数据；S02：对得到的数据进行缺失值和异常值分析，进行预处理；S03：利用预处理完的数据进行建模分类；S04：将建模分类的结果与故障分类标准匹配，形成故障数据库；S05：根据故障数据库对新的数据进行判断，做出预测。通过对数据的多层处理，再通过对数据库的判断，做出预测，帮助及时排除故障，减少可能的损失，提高效益。
作为优选，步骤S02的过程包括：对数据进行缺失值和异常值分析，分析数据中各指标因子是否产生空值，剔除空值因子；根据缺失值和异常值分析结果，将历史数据库中不合格的数据丢弃；删除多余的无关数据；属性构造数据标准化，以适应算法和分析的需要。识别故障类别所需的数据，应用最广泛的模型是五个指标：故障时间、故障位置、跳闸还是接地、保护动作以及故障过流电流）。以上指标简称S模型，作用是识别故障类别。分析该S模型中因子是否产生空值，并剔除该因子可以帮助提高数据的筛选效率。
作为优选，步骤S03的建模分类过程包括：故障聚类，通过K-Means聚类算法对故障类别分类。
作为优选，所述K-Means聚类算法包括：1、随机选择K个对象，每个对象初始地代表一个簇的中心；2、对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；3、重新计算每个簇的平均值，更新为新的簇中心；不断重复2-3步，直到准则函数收敛。
作为优选，步骤S04的故障数据库包括：实时库、隔离库以及历史库，所述实时库根据步骤S04进行实时更新，所述隔离库按预设条件备份实时库，所述历史库保存历史版本的隔离库，其中实时库与隔离库之间互有读取复制权限，历史库对隔离库有单向读取复制权限，实时库对历史库有单向读取复制权限。其中特别的是隔离库，起到缓冲和临时备份的作用，同时通过三种类型的数据库之间的权限分配，可以有序将数据保存，并在特殊情况下可以快速复制已保存的数据，防止出现各数据库的权限混乱导致数据意外覆盖。
作为优选，步骤S05的过程包括：以数据库中的故障位置、跳闸或接地、保护动作以及故障过流电流为基础，当与实时数据的相似度达到阈值时，预测为对应故障，并根据数据库中的故障时间提示预警时间。
本发明的实质性效果包括：提高配网故障解决的效率和速度，保证供电的持续性和可靠性；做到精准处理，快速隔离，提升故障处置效率，以此来指导抢修工作；提早应对，未雨绸缪，以此来指导运维工作。
具体实施方式
下面将结合实施例，对本申请的技术方案进行描述。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述，以便于凸显本发明的主旨。
实施例：一种基于运行数据的配网典型故障研判方法，包括以下步骤：
S01：采集及抽取所需的数据。
S02：对得到的数据进行缺失值和异常值分析，进行预处理。包括：对数据进行缺失值和异常值分析，分析数据中各指标因子是否产生空值，剔除空值因子；根据缺失值和异常值分析结果，将历史数据库中不合格的数据丢弃；删除多余的无关数据；属性构造数据标准化，以适应算法和分析的需要。识别故障类别所需的数据，应用最广泛的模型是五个指标：故障时间、故障位置、跳闸还是接地、保护动作以及故障过流电流）。以上指标简称S模型，作用是识别故障类别。分析该S模型中因子是否产生空值，并剔除该因子可以帮助提高数据的筛选效率。
S03：利用预处理完的数据进行建模分类。包括：故障聚类，通过K-Means聚类算法对故障类别分类。其中K-Means聚类算法包括：1、随机选择K个对象，每个对象初始地代表一个簇的中心；2、对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；3、重新计算每个簇的平均值，更新为新的簇中心；不断重复2-3步，直到准则函数收敛。
S04：将建模分类的结果与故障分类标准匹配，形成故障数据库。其中故障数据库包括：实时库、隔离库以及历史库，实时库根据步骤S04进行实时更新，隔离库按预设条件备份实时库，历史库保存历史版本的隔离库，其中实时库与隔离库之间互有读取复制权限，历史库对隔离库有单向读取复制权限，实时库对历史库有单向读取复制权限。其中特别的是隔离库，起到缓冲和临时备份的作用，同时通过三种类型的数据库之间的权限分配，可以有序将数据保存，并在特殊情况下可以快速复制已保存的数据，防止出现各数据库的权限混乱导致数据意外覆盖。
S05：根据故障数据库对新的数据进行判断，做出预测。包括：以数据库中的故障位置、跳闸或接地、保护动作以及故障过流电流为基础，当与实时数据的相似度达到阈值时，预测为对应故障，并根据数据库中的故障时间提示预警时间。
通过对数据的多层处理，再通过对数据库的判断，做出预测，帮助及时排除故障，减少可能的损失，提高效益。
通过以上实施方式的描述，所属领域的技术人员可以了解到，如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于运行数据的配网典型故障研判方法，其特征在于，包括以下步骤：
S01：采集及抽取所需的数据；
S02：对得到的数据进行缺失值和异常值分析，进行预处理；
S03：利用预处理完的数据进行建模分类；
S04：将建模分类的结果与故障分类标准匹配，形成故障数据库；
S05：根据故障数据库对新的数据进行判断，做出预测。
2.根据权利要求1所述的一种基于运行数据的配网典型故障研判方法，其特征在于，步骤S02的过程包括：对数据进行缺失值和异常值分析，分析数据中各指标因子是否产生空值，剔除空值因子；根据缺失值和异常值分析结果，将历史数据库中不合格的数据丢弃；删除多余的无关数据；属性构造数据标准化，以适应算法和分析的需要。
3.根据权利要求1或2所述的一种基于运行数据的配网典型故障研判方法，其特征在于，步骤S03的建模分类过程包括：故障聚类，通过K-Means聚类算法对故障类别分类。
4.根据权利要求3所述的一种基于运行数据的配网典型故障研判方法，其特征在于，所述K-Means聚类算法包括：1、随机选择K个对象，每个对象初始地代表一个簇的中心；2、对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；3、重新计算每个簇的平均值，更新为新的簇中心；不断重复2-3步，直到准则函数收敛。
5.根据权利要求1所述的一种基于运行数据的配网典型故障研判方法，其特征在于，步骤S04的故障数据库包括：实时库、隔离库以及历史库，所述实时库根据步骤S04进行实时更新，所述隔离库按预设条件备份实时库，所述历史库保存历史版本的隔离库，其中实时库与隔离库之间互有读取复制权限，历史库对隔离库有单向读取复制权限，实时库对历史库有单向读取复制权限。
6.根据权利要求1所述的一种基于运行数据的配网典型故障研判方法，其特征在于，步骤S05的过程包括：以数据库中的故障位置、跳闸或接地、保护动作以及故障过流电流为基础，当与实时数据的相似度达到阈值时，预测为对应故障，并根据数据库中的故障时间提示预警时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010053349.7A CN111292200A (zh) | 2020-01-17 | 2020-01-17 | 一种基于运行数据的配网典型故障研判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010053349.7A CN111292200A (zh) | 2020-01-17 | 2020-01-17 | 一种基于运行数据的配网典型故障研判方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111292200A true CN111292200A (zh) | 2020-06-16 |
Family
ID=71023094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010053349.7A Pending CN111292200A (zh) | 2020-01-17 | 2020-01-17 | 一种基于运行数据的配网典型故障研判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292200A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306794A (zh) * | 2020-09-28 | 2021-02-02 | 国网吉林省电力有限公司信息通信公司 | 一种数据库典型故障场景自动处理方法及其装置 |
| CN115860247A (zh) * | 2022-12-19 | 2023-03-28 | 广西电网有限责任公司 | 一种极端天气下风机损失功率预测模型训练方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104617677A (zh) * | 2008-12-15 | 2015-05-13 | 埃森哲环球服务有限公司 | 确定电网故障类型的方法、设备及电网管理系统 |
| CN109738753A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司南京供电分公司 | 一种电网故障状态及故障类型的检测方法 |
| CN110045227A (zh) * | 2019-03-23 | 2019-07-23 | 广西电网有限责任公司电力科学研究院 | 一种基于随机矩阵与深度学习的配电网故障诊断方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
-
2020
- 2020-01-17 CN CN202010053349.7A patent/CN111292200A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104617677A (zh) * | 2008-12-15 | 2015-05-13 | 埃森哲环球服务有限公司 | 确定电网故障类型的方法、设备及电网管理系统 |
| CN109738753A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司南京供电分公司 | 一种电网故障状态及故障类型的检测方法 |
| CN110045227A (zh) * | 2019-03-23 | 2019-07-23 | 广西电网有限责任公司电力科学研究院 | 一种基于随机矩阵与深度学习的配电网故障诊断方法 |
| CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吕小红;张敏;曹文忠;熊来红;: "基于灰色经验融合的电网故障研判模型" * |
| 白浩;李鹏;袁智勇;于力;姜臻;: "人工智能在配电网高阻接地故障检测中的应用及展望" * |
| 高丽芳;杨楠;曹明;杨超;韩晓娜;: "基于数据挖掘的电网故障在线诊断技术" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306794A (zh) * | 2020-09-28 | 2021-02-02 | 国网吉林省电力有限公司信息通信公司 | 一种数据库典型故障场景自动处理方法及其装置 |
| CN115860247A (zh) * | 2022-12-19 | 2023-03-28 | 广西电网有限责任公司 | 一种极端天气下风机损失功率预测模型训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154244A (zh) | 地产电力设备的运维方法、装置和系统 | |
| CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
| CN106503439A (zh) | 一种基于数据挖掘的采集故障预警系统的方法 | |
| CN108964023B (zh) | 一种用于电网的母线电压态势短期预测方法及系统 | |
| CN107561997A (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
| CN111292200A (zh) | 一种基于运行数据的配网典型故障研判方法 | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN115271263B (zh) | 基于改进关联规则的电力设备缺陷预警方法、系统及介质 | |
| CN113343593B (zh) | 基于神经网络的家装布线规划管理方法、系统及存储介质 | |
| CN107508728B (zh) | 基于iec61850服务跟踪的二次设备在线监测方法 | |
| CN110954782B (zh) | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 | |
| CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测系统 | |
| CN118094531B (zh) | 一种安全运维实时预警一体化系统 | |
| CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及系统 | |
| CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
| CN117171176B (zh) | 一种基于人工智能的用电大数据自升级监管平台 | |
| CN116862209B (zh) | 一种新能源汽车充电设施管理方法及系统 | |
| CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
| CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
| CN116452054A (zh) | 一种电力系统物资抽检管理方法和装置 | |
| CN116389062A (zh) | 基于流量安全分析的工业控制系统行为监测方法及设备 | |
| CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 |
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 |
Application publication date: 20200616 |