CN111310946B - 基于智能运维的变压器运行态势感知方法及系统 - Google Patents
基于智能运维的变压器运行态势感知方法及系统 Download PDFInfo
- Publication number
- CN111310946B CN111310946B CN202010120711.8A CN202010120711A CN111310946B CN 111310946 B CN111310946 B CN 111310946B CN 202010120711 A CN202010120711 A CN 202010120711A CN 111310946 B CN111310946 B CN 111310946B
- Authority
- CN
- China
- Prior art keywords
- transformer
- monitoring data
- key
- index
- key index
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012423 maintenance Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 161
- 230000008447 perception Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Housings And Mounting Of Transformers (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明实施例提供一种基于智能运维的变压器运行态势感知方法及系统,该方法包括:获取目标变压器的第一变压器监测数据和历史监测数据集;对第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;根据变压器运行态势感知模型对历史监测数据集、关键指标和变压器监控指标,预测得到目标变压器在下一时刻的关键指标预测值和关键指标拟合值;根据关键指标预测值、关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据关键指标预测值偏移量和关键指标拟合值偏移量确定目标变压器的运行态势。本发明实施例通过预测变压器的运行状态,使得对变压器故障实现提前感知,提高变压器的可靠性。
Description
技术领域
本发明涉及动环系统智能运维技术领域,尤其涉及一种基于智能运维的变压器运行态势感知方法及系统。
背景技术
随着计算机技术的飞速发展,大型数据中心已经成为大数据时代数据存储和计算的重要基础。而作为数据中心服务器机房动力环境重要一环的高低压配电配电系统,变压器在其中起到了极其重要的作用,一旦变压器出现故障,会引起配电网电压不稳甚至停电停机。由于数据中心服务器机房规模不断扩大,对高低压配电系统的要求也越来越高,因此,保障变压器的稳定可靠,提早发现变压器将出现的故障,对于数据中心机房的建设意义重大。而变压器设备运行态势的感知,是在故障检测的基础上更进一步,从而真正做到防患于未然,将故障扼杀在萌芽中。
目前,针对变压器运行态势的感知方法还很不成熟,当变压器发生故障之后,多数情况是尽快维修,并启用备用变压器的方法。而这种方法一方面会造成资源浪费,导致备用变压器多数时间处于空载状态,只能适用于安全系数要求很高,停电损失较大的地方;另一方面,切换变压器也会造成断电等情况,在故障发生后被动的采取补救措施,时效性差,同时,突然停电对于机房的多台计算机等设备会产生不可估计的损失。
因此,现在亟需一种基于智能运维的变压器运行态势感知方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于智能运维的变压器运行态势感知方法及系统。
第一方面,本发明实施例提供了一种基于智能运维的变压器态势感知方法,包括:
获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;
对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;
根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;
根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
进一步地,所述变压器运行态势感知模型通过以下步骤得到:
基于移动平均自回归模型构建指标运行状态预测模型,所述指标运行状态预测模型用于预测下一时刻的关键指标预测值;
基于支持向量回归模型构建拟合模型,所述拟合模型用于根据关键指标和变压器监控指标,获取下一时刻的关键指标拟合值;
根据所述指标运行状态预测模型和所述拟合模型,构建变压器运行态势感知模型。
进一步地,在所述获取目标变压器的第一变压器监测数据和历史监测数据集之后,所述方法还包括:
对所述第一变压器监测数据进行预处理,所述预处理包括:
对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;
对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
进一步地,所述对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标,包括:
根据所述目标变压器的物理特性和所述第一变压器监测数据,获取所述目标变压器在运行状态时的关键指标;
根据相关性分析法和所述关键指标,获取变压器监控指标。
进一步地,在所述根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量之后,所述方法还包括:
根据所述关键指标预测值偏移量和关键指标拟合值偏移量,获取变压器运行态势H,公式为:
其中,n表示关键指标的数量;ωi表示关键指标i对变压器运行状态的影响权重值,ω0+ω1+…+ωn=1;d表示指标运行状态健康度量,ei和e′i分别表示关键指标预测值偏移量和关键指标拟合值偏移量。
进一步地,所述关键指标包括A相温度、B相温度或C相温度。
第二方面,本发明实施例提供了一种基于智能运维的变压器运行态势感知系统,包括:
监测数据获取模块,用于获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;
特征提取分析模块,用于对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;
预测模块,用于根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;
变压器运行态势感知模块,用于根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
进一步地,所述系统还包括:
预处理模块,用于对所述第一变压器监测数据进行预处理,所述预处理模块包括:
异常数据处理单元,用于对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;
插值处理单元,用于对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
第三方面,本发明实施例提供一种电子设备,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第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于智能运维的变压器运行态势感知方法及系统,通过预测变压器在一段时间后的运行状态,使得对变压器故障实现提前感知,将变压器可能出现的故障问题扼杀在萌芽之中,从而提高变压器长期稳定运行的可靠性。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的基于智能运维的变压器运行态势感知方法的流程示意图;
图2为本发明实施例提供的基于智能运维的变压器运行态势感知系统的结构示意图;
图3为本发明实施例提供的电子设备结构示意图。
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,下面将结合本发明实施例中的附图,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。
随着近年来机器学习和人工智能的兴起,智能运维这一概念逐渐为学术界与工业界接受。所谓智能运维,便是应用机器学习和人工智能技术,进行故障发现和故障定位乃至故障预测。变压器作为配电系统的核心,其价格昂贵,具有牵一发而动全身的重要作用,最需要应用基于机器学习和人工智能的智能运维技术,最需要设备态势感知的功能。本发明实施例运用机器学习技术,主要解决变压器运行状态态势感知问题,综合考虑涉及变压器运行状态的各种特征,选取关键特征作为预测对象,对变压器未来某时刻及一段时间的运行状态进行预测。
图1为本发明实施例提供的基于智能运维的变压器运行态势感知方法的流程示意图,如图1所示,本发明实施例提供了一种基于智能运维的变压器运行态势感知方法,包括:
步骤101,获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据。
在本发明实施例中,在得到目标变压器的监测数据之后,优选地,对该监测数据中的异常数据进行剔除,然后再对剔除异常数据后的监测数据进行插值处理,以提供获取得到的变压器监测数据的合法性和有效性。
步骤102,对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
在本发明实施例中,以数据中心的变压器进行说明,根据数据中心变压器的物理特性与变压器监测数据,从这些变压器监测数据中获取能反映变压器运行状态的关键指标,并基于相关性分析方法,提取与关键指标相关程度较高的变压器监控指标。
步骤103,根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值。
在本发明实施例中,基于机器学习方法,通过构建好的变压器运行态势感知模型,首先预测各关键指标在一段时间内(本发明实施例以下一时刻进行说明)的运行状态,然后再通过变压器运行态势感知模型中的拟合模型,进而得到下一时刻的关键指标预测值与关键指标拟合值。
步骤104,根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
在本发明实施例中,根据预设阈值区间,计算关键指标预测值和关键指标拟合值与该预设阈值区间的偏移量,从而根据偏移量大小来确定目标变压器的运行态势。例如,当偏移量达到某预设值时,判断获知目标变压器在下一时刻可能会出现温度过高的情况,根据这一判断结果,使得工作人员提前对目标变压器制定故障预防方案。
本发明实施例提供的一种基于智能运维的变压器运行态势感知方法,通过预测变压器在一段时间后的运行状态,使得对变压器故障实现提前感知,将变压器可能出现的故障问题扼杀在萌芽之中,从而提高变压器长期稳定运行的可靠性。
在上述实施例的基础上,所述变压器运行态势感知模型通过以下步骤得到:
基于移动平均自回归模型构建指标运行状态预测模型,所述指标运行状态预测模型用于预测下一时刻的关键指标预测值;
基于支持向量回归模型构建拟合模型,所述拟合模型用于根据关键指标和变压器监控指标,获取下一时刻的关键指标拟合值;
根据所述指标运行状态预测模型和所述拟合模型,构建变压器运行态势感知模型。
在本发明实施例中,通过构建指标运行状态预测模型L和拟合模型g,从而组合得到变压器运行态势感知模型。具体地,在本发明实施例中,通过移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA)构建指标运行状态预测模型L,将时间长度为T的指标历史监测数据集(即历史监测数据集)S=[xt-(T-1),xt-(T-2),...,xt]作为该模型的输入,从而预测关键指标在t+1时刻的运行状态值,即下一时刻的关键指标预测值,xt+1=L(S);同时,通过支持向量回归(Support Vactor Regerssion,简称SVR)模型构建关键指标Fl与其他监控指标Ff(即非关键指标)之间的拟合模型g,即Xl,t=g(Xf,t),其中,Xl,t表示关键指标Fl在t时刻的监测数据集,Xf,t表示其他监控指标Ff在t时刻的监测数据集。最后,根据上述实施例得到的指标运行状态预测模型和拟合模型,构建变压器运行态势感知模型,以根据变压器运行态势感知模型,获取关键指标Fl在t+1时刻的关键指标预测值Xl,t+1和关键指标拟合值Xl',t+1。需要说明的是,在本发明实施例中,下一时刻为当前时刻之后的第n个时刻,即下一时刻可表示为t+n时刻,可以理解为当前时刻之后的某一时刻,本发明实施例以t+1时刻进行说明,对下一时刻不作具体限定。
在上述实施例的基础上,在所述获取目标变压器的第一变压器监测数据和历史监测数据集之后,所述方法还包括:
对所述第一变压器监测数据进行预处理,所述预处理包括:
对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;
对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
在本发明实施例中,在获取到第一变压器监测数据之后,对第一变压器监测数据进行预处理。首先,剔除第一变压器监测数据中的突变值点和不合法值点等异常数据,即得到第二变压器监测数据;然后对剔除异常数据后的变压器监测数据进行插值处理,得到等间隔的合法时序数据,即得到第三变压器监测数据,以根据第三变压器监测数据进行后续的特征提取和分析步骤。需要说明的是,在本发明实施例中其中,还可引用Python工具包,自动采集变压器监测数据,基于聚类的方法剔除异常数据,并采用拉格朗日插值法补充缺失值。
在上述实施例的基础上,所述对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标,包括:
根据所述目标变压器的物理特性和所述第一变压器监测数据,获取所述目标变压器在运行状态时的关键指标;
根据相关性分析法和所述关键指标,获取变压器监控指标。
在本发明实施例中,根据数据中心变压器的物理特性与监测数据,获取能反映变压器运行状态的关键指标Fl,所述关键指标Fl包括A相温度、B相温度或C相温度。其中,物理特性包括指标间推导关系、设备物质结构及散热方式等;然后,基于相关性分析方法,提取与关键指标Fl相关程度较高的其他监控指标Ff,在本发明实施例中,相关性分析方法可采用Pearson积距相关系数法。需要说明的是,本发明实施例中以选取A相温度、B相温度或C相温度作为关键指标进行说明,其中,关键指标也可以选取变压器中的其他参数,例如变压器的工作频率或效率,本发明实施例对此不作具体限定。
在上述实施例的基础上,在所述根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量之后,所述方法还包括:
根据所述关键指标预测值偏移量和关键指标拟合值偏移量,获取变压器运行态势H,公式为:
其中,n表示关键指标的数量;ωi表示关键指标i对变压器运行状态的影响权重值,ω0+ω1+…+ωn=1;d表示指标运行状态健康度量,ei和e′i分别表示关键指标预测值偏移量和关键指标拟合值偏移量。
在本发明实施例中,根据压器运行态势H公式,以及关键指标预测值偏移量和关键指标拟合值偏移量,获取目标变压器在下一时刻的运行态势,有效保证了大型数据中心机房高低压配电系统中变压器的长期平稳运行,做到变压器故障的提前感知。
图2为本发明实施例提供的基于智能运维的变压器运行态势感知系统的结构示意图,如图2所示,本发明实施例提供了一种基于智能运维的变压器运行态势感知系统,包括监测数据获取模块201、特征提取分析模块202、预测模块203和变压器运行态势感知模块204,其中,监测数据获取模块201用于获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;特征提取分析模块202用于对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;预测模块203用于根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;变压器运行态势感知模块204用于根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
本发明实施例提供的一种基于智能运维的变压器运行态势感知系统,通过预测变压器在一段时间后的运行状态,使得对变压器故障实现提前感知,将变压器可能出现的故障问题扼杀在萌芽之中,从而提高变压器长期稳定运行的可靠性。
在上述实施例的基础上,所述系统还包括预处理模块,用于对所述第一变压器监测数据进行预处理,所述预处理模块包括异常数据处理单元和插值处理单元,其中,异常数据处理单元用于对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;插值处理单元用于对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明实施例提供的电子设备结构示意图,参照图3,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行如下方法:获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
此外,上述的存储器303中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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部分可以以软件产品的形式体现出来,该计算机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台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于智能运维的变压器运行态势感知方法,例如包括:获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (8)
1.一种基于智能运维的变压器运行态势感知方法,其特征在于,包括:
获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;
对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;
根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;
根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势;
所述变压器运行态势感知模型通过以下步骤得到:
基于移动平均自回归模型构建指标运行状态预测模型,所述指标运行状态预测模型用于预测下一时刻的关键指标预测值;
基于支持向量回归模型构建关键指标与非关键指标之间的拟合模型,所述拟合模型用于根据关键指标和变压器监控指标,获取下一时刻的关键指标拟合值;
根据所述指标运行状态预测模型和所述拟合模型,构建变压器运行态势感知模型;
在所述根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量之后,所述方法还包括:
根据所述关键指标预测值偏移量和关键指标拟合值偏移量,获取变压器在下一时刻的运行态势H,公式为:
其中,n表示关键指标的数量;ωi表示关键指标i对变压器运行状态的影响权重值,ω0+ω1+…+ωn=1;d表示指标运行状态健康度量,ei和e′i分别表示关键指标预测值偏移量和关键指标拟合值偏移量。
2.根据权利要求1所述的基于智能运维的变压器运行态势感知方法,其特征在于,在所述获取目标变压器的第一变压器监测数据和历史监测数据集之后,所述方法还包括:
对所述第一变压器监测数据进行预处理,所述预处理包括:
对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;
对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
3.根据权利要求1所述的基于智能运维的变压器运行态势感知方法,其特征在于,所述对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标,包括:
根据所述目标变压器的物理特性和所述第一变压器监测数据,获取所述目标变压器在运行状态时的关键指标;
根据相关性分析法和所述关键指标,获取变压器监控指标。
4.根据权利要求3所述的基于智能运维的变压器运行态势感知方法,其特征在于,所述关键指标包括A相温度、B相温度或C相温度。
5.一种基于智能运维的变压器运行态势感知系统,其特征在于,包括:
监测数据获取模块,用于获取目标变压器的第一变压器监测数据和历史监测数据集,所述第一变压器监测数据为所述目标变压器在当前时刻的监测数据;
特征提取分析模块,用于对所述第一变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标;
预测模块,用于根据变压器运行态势感知模型对所述历史监测数据集、所述关键指标和所述变压器监控指标,预测得到所述目标变压器在下一时刻的关键指标预测值和关键指标拟合值;
变压器运行态势感知模块,用于根据所述关键指标预测值、所述关键指标拟合值和预设阈值区间,获取关键指标预测值偏移量和关键指标拟合值偏移量,以根据所述关键指标预测值偏移量和所述关键指标拟合值偏移量确定所述目标变压器的运行态势;
所述变压器运行态势感知模型通过以下步骤得到:
基于移动平均自回归模型构建指标运行状态预测模型,所述指标运行状态预测模型用于预测下一时刻的关键指标预测值;
基于支持向量回归模型构建关键指标与非关键指标之间的拟合模型,所述拟合模型用于根据关键指标和变压器监控指标,获取下一时刻的关键指标拟合值;
根据所述指标运行状态预测模型和所述拟合模型,构建变压器运行态势感知模型;
所述系统还用于:
根据所述关键指标预测值偏移量和关键指标拟合值偏移量,获取变压器在下一时刻的运行态势H,公式为:
其中,n表示关键指标的数量;ωi表示关键指标i对变压器运行状态的影响权重值,ω0+ω1+…+ωn=1;d表示指标运行状态健康度量,ei和e′i分别表示关键指标预测值偏移量和关键指标拟合值偏移量。
6.根据权利要求5所述的基于智能运维的变压器运行态势感知系统,其特征在于,所述系统还包括:
预处理模块,用于对所述第一变压器监测数据进行预处理,所述预处理模块包括:
异常数据处理单元,用于对所述第一变压器监测数据中的异常数据进行剔除,得到第二变压器监测数据;
插值处理单元,用于对所述第二变压器监测数据进行插值处理,得到第三变压器监测数据,以根据所述第三变压器监测数据进行特征提取和分析,获取关键指标和变压器监控指标。
7.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述基于智能运维的变压器运行态势感知方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于智能运维的变压器运行态势感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120711.8A CN111310946B (zh) | 2020-02-26 | 2020-02-26 | 基于智能运维的变压器运行态势感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120711.8A CN111310946B (zh) | 2020-02-26 | 2020-02-26 | 基于智能运维的变压器运行态势感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310946A CN111310946A (zh) | 2020-06-19 |
CN111310946B true CN111310946B (zh) | 2022-11-29 |
Family
ID=71147803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010120711.8A Active CN111310946B (zh) | 2020-02-26 | 2020-02-26 | 基于智能运维的变压器运行态势感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310946B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114243925B (zh) * | 2021-12-21 | 2024-02-09 | 国网山东省电力公司淄博供电公司 | 基于智能融合终端的台区配变态势感知方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160327600A1 (en) * | 2015-05-04 | 2016-11-10 | General Electric Company | Integrated transformer health monitoring architecture |
CN106841846A (zh) * | 2016-12-19 | 2017-06-13 | 广东电网有限责任公司电力调度控制中心 | 一种变压器状态分析与故障诊断方法及系统 |
CN107527134A (zh) * | 2017-07-11 | 2017-12-29 | 中国农业大学 | 一种基于大数据的配电变压器状态评估方法及装置 |
CN108388950A (zh) * | 2018-01-29 | 2018-08-10 | 杭州安脉盛智能技术有限公司 | 基于大数据的变压器智能运维方法及系统 |
CN109470946B (zh) * | 2018-09-18 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种发电设备故障检测方法及系统 |
CN110210701A (zh) * | 2019-04-23 | 2019-09-06 | 贵州电网有限责任公司 | 一种电网设备风险感知方法 |
CN110362048A (zh) * | 2019-07-12 | 2019-10-22 | 上海交通大学 | 风机关键部件状态监测方法及装置、存储介质和终端 |
CN110502751B (zh) * | 2019-08-09 | 2023-02-24 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN110766236A (zh) * | 2019-10-31 | 2020-02-07 | 云南电网有限责任公司昆明供电局 | 基于统计分析和深度学习的电力设备状态趋势预测方法 |
-
2020
- 2020-02-26 CN CN202010120711.8A patent/CN111310946B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111310946A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650921A (zh) | 一种智能电网调控控制系统设备故障诊断方法及系统 | |
CN116187593B (zh) | 一种配电网故障预测处理方法、装置、设备、存储介质 | |
CN112217207B (zh) | 一种暂态电压稳定裕度预测方法及装置 | |
CN111049131B (zh) | 一种地区电网在线故障处置预案生成方法及系统 | |
CN111310946B (zh) | 基于智能运维的变压器运行态势感知方法及系统 | |
CN108448566B (zh) | 一种电力系统在线混合仿真方法和系统 | |
CN114726740B (zh) | 台区拓扑识别方法、系统及智能融合终端 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN110361609B (zh) | 特高压设备监测系统及方法 | |
CN115219045A (zh) | 一种基于深度学习的变压器温度预测方法 | |
CN116231871B (zh) | 一种基于数字孪生的电网态势监管方法、系统及存储介质 | |
CN112836843B (zh) | 一种基站退服告警预测方法及装置 | |
CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
CN111537819A (zh) | 一种配电自动化监测方法、系统、终端及存储介质 | |
CN109063922B (zh) | 一种基于小区入住率的配电变压器重过载预测方法 | |
CN115420988A (zh) | 异常用电用户的识别方法、装置、设备及存储介质 | |
CN114912853A (zh) | 一种电网稳定性的评价方法及装置 | |
CN112163702B (zh) | 稳定断面负载率的预测方法、装置、电子设备及存储介质 | |
CN113570473A (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN113657689B (zh) | 一种自适应微型电网的调度优化的方法及系统 | |
CN115085274B (zh) | 新能源设备接入的自动识别方法、装置、电子设备及介质 | |
CN106451475A (zh) | 一种切机量与切机范围搜索方法 | |
CN117408469A (zh) | 山火处置辅助决策结果确定方法、装置、设备和存储介质 |
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 |