CN111598409A - 一种配电网运行效率监测与分析系统 - Google Patents
一种配电网运行效率监测与分析系统 Download PDFInfo
- Publication number
- CN111598409A CN111598409A CN202010330563.2A CN202010330563A CN111598409A CN 111598409 A CN111598409 A CN 111598409A CN 202010330563 A CN202010330563 A CN 202010330563A CN 111598409 A CN111598409 A CN 111598409A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- unit
- efficiency
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000009826 distribution Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims description 22
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012800 visualization Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 238000000547 structure data Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005243 fluidization Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 4
- 238000013079 data visualisation Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种配电网运行效率监测与分析系统,其中,所述系统包括:数据分类模块、数据处理模块、模型建立模块、效率监测模块、分析影响因素模块和可视化模块;其中,数据分类模块用于对在各数据平台中采集的数据按照类型和标识进行分类,并将获得各类型数据传输至所述数据处理模块;数据处理模块用于对所述各类型数据依次进行处理,并将经过处理的数据分别输出至模型建立模块、效率监测模块、分析影响因素模块和可视化模块。在本发明实施例中,解决传统配电监测系统的弊端,支持数据分类、数据融合、数据修正、数据监测、数据分析、数据可视化,分析影响配电设备运行效率的关键因素,加强配网运行安全与设备利用效率。
Description
技术领域
本发明涉及电网数据分析技术领域,尤其涉及一种配电网运行效率监测与分析系统。
背景技术
当前电力系统各业务部门维护着各自的软件和相应的数据,由于数据来源不同、数据维护人员不同,造成各部门的数据之间存在着差异,给系统的安全运行也带来了隐患;随着计算机技术的飞速发展,可处理数据量越来越大,影响配电网运行效率的各因素均可纳入计算并需要重构、校验、对比、修复后分析;若不能进行统一的监测与分析,将严重的降低配电网的监测与分析能力,给配电网带来较大的安全隐患,并且配电设备运行效率也将大大降低。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种配电网运行效率监测与分析系统,解决传统配电监测系统的弊端,支持数据分类、数据融合、数据修正、数据监测、数据分析、数据可视化,分析配电系统中内外部各种影响因素干扰程度,加强配电设备安全运行,提升设备利用效率。
为了解决上述技术问题,本发明实施例提供了一种配电网运行效率监测与分析系统,所述系统包括:数据分类模块、数据处理模块、模型建立模块、效率监测模块、分析影响因素模块和可视化模块;其中,
所述数据分类模块用于对在各数据平台中采集的数据按照类型和标识进行分类,并将获得各类型数据传输至所述数据处理模块;所述数据处理模块用于对所述各类型数据依次进行抽取、集成、融合、校核、对比、重构、修复和传输处理,并将经过处理的数据分别输出至模型建立模块、效率监测模块、分析影响因素模块和可视化模块;所述模型建立模块用于构建效率评价模型;所述效率监测模型用于利用所述效率评价模型监测同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述分析影响因素模块用于根据内部因素和外部因素对各类型设备的运行效率进行影响分析;所述可视化模块用于对各类型设备运行效率影响分析结果进行可视化处理并显示。
可选的,所述数据平台中的数据包括:配电网多个节点位置的数据,各类设备自身属性数据,各类设备负荷特性数据,电网结构数据,所在区域经济数据,地域发展数据和自然环境数据;
所述配电网多个节点位置的数据包括:配电网多个节点位置的主变数据、高压线路数据、配变数据、中压线路的遥测信息数据、计量信息数据;
所述各类设备自身属性数据包括:容量数据、长度数据、生产厂家数据、投运年限数据;
所述各类设备负荷特性数据包括:负荷率数据、轻载/超载运行时间占比数据、平均负载率数据、峰谷差率数据、最大负载率数据;
电网结构数据包括线路电网结构类型数据、变电站主变台数数据;
所在区域经济数据包括人均GDP数据、GSP增速数据、城镇化率数据;
所述地域发展数据包括位置数据、主地形数据、主产业数据、蓄水量数据、工厂数据;
所述自然环境数据包括:温度数据、湿度数据、雷电数据、台风数据。
可选的,所述数据分类模块包括全量数据单元、增量数据单元、网格数据单元、标识单元和安置单元;
所述全量数据单元用于对在各数据平台中采集的全量数据进行入库保存;
所述增量数据单元用于对在各数据平台中采集的增量数据进行入库保存;
所述网格数据单元用于将全量数据和增量数据进行流化处理,并打散为格网数据;
所述标识单元用于将所述格网数据按照数据来源、分别规律、人工发现进行类型标识分类,获得分类数据;
所述安置单元用于对所述分类数据进行整流、保持并发送。
可选的,所述数据处理模块包括抽取单元、集成单元、融合单元、校核单元、对比单元、重构单元、修复单元和传输单元;其中,
所述抽取单元用于使用ETL工具对各类型数据抽取、转换、迁移、装载;
所述集成单元用于将各个数据源的数据复制到同一处的数据仓库;
所述融合单元用于使用特征层融合,对来自各设备的各类型数据进行特征提取,通过关联处理进行决策层融合;
所述校核单元用于使用md5消息摘要算法对数据执行散列运算来检查数据的正确性;
所述对比单元用于通过与安全状态情况数据对比查找电力异常信息和所涉及的设备、地域、环境现状;
所述重构单元用于实现部分数据在结构、格式、类型、标识上的统一;
所述修复单元用于基于机器学习算法修复所述校核单元校核后需要修复的待修复数据;
所述传输单元用于对将各类型数据、处理后的数据传送到效率监测模块、分析影响因素模块和可视化模块。
可选的,所述修复单元还用于根据所述数据处理模块中的所述校核单元查找待修复数据,并根据待修复数据类型获取其中的各类型数据统计信息,所述各类型数据统计信息包括各个字段的字段标识、字段值类型和/或字段值出现频次;根据所述各类型数据统计信息基于机器学习算法修复所述待修复数据,获取修复后数据。
可选的,所述模型建立模块还用于构建效率评价模型,所述效率评价模型为一对一、一对多和多对多关系的E-R图,并使用Scikit-Learn库计算置信度、关联度、支持度,建立机器学习模型,使用k-means算法进行无监督学习,划出相似簇类、关联簇类,使用SG-CIM模型进行全面的数据质量控制。
可选的,所述效率监测模块还用于所述效率评价模型计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度;并通过机器学习模型与算法进行特征提取、训练学习、对比查询,判断是否在正常配电范围。
可选的,所述分析影响因素模块还用于根据所述模型建立模块和所述效率监测模块计算得出的置信度、关联度、支持度和相似簇类、关联簇类进行分析得出各影响因素的影响程度,并最终合理分配权值加权计算,并根据所述效率监测模块判断结果分析各影响因素对电力运行的干扰与决定作用。
可选的,所述可视化模块还用于展示内容包括各类设备自身属性数据、负各类设备负荷特性数据、电网结构数据、所在区域经济数据、地域发展数据和自然环境数据、运行效率数据、各影响因素分析结果。
可选的,所述运行效率数据包括同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述各影响因素分析结果包括各类数据对不同设备运行效率的影响,以及对电力系统稳定运行的干扰效果。
在本发明实施例中,通过实时本发明实施例解决了传统配电监测系统的弊端,支持数据分类、数据融合、数据修正、数据监测、数据分析、数据可视化,分析影响配电设备运行效率的关键因素,加强配网运行安全设备利用与效率。
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,显而易见的,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它的附图。
图1是本发明实施例中的配电网运行效率监测与分析系统的结构组成示意图;
图2是本发明实施例中的数据分类模块的内部单元结构组成示意图;
图3是本发明实施例中的数据处理模块的内部单元结构组成示意图。
具体实施方式
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,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1是本发明实施例中的配电网运行效率监测与分析系统的结构组成示意图。
如图1所示,一种配电网运行效率监测与分析系统,所述系统包括:数据分类模块11、数据处理模块12、模型建立模块13、效率监测模块14、分析影响因素模块15和可视化模块16;其中,所述数据分类模块11用于对在各数据平台中采集的数据按照类型和标识进行分类,并将获得各类型数据传输至所述数据处理模块12;所述数据处理模块12用于对所述各类型数据依次进行抽取、集成、融合、校核、对比、重构、修复和传输处理,并将经过处理的数据分别输出至模型建立模块13、效率监测模块14、分析影响因素模块15和可视化模块16;所述模型建立模块13用于构建效率评价模型;所述效率监测模型14用于利用所述效率评价模型监测同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述分析影响因素模块15用于根据内部因素和外部因素对各类型设备的运行效率进行影响分析;所述可视化模块16用于对各类型设备运行效率影响分析结果进行可视化处理并显示。
在本发明具体实施过程中,所述数据平台中的数据包括:配电网多个节点位置的数据,各类设备自身属性数据,各类设备负荷特性数据,电网结构数据,所在区域经济数据,地域发展数据和自然环境数据;所述配电网多个节点位置的数据包括:配电网多个节点位置的主变数据、高压线路数据、配变数据、中压线路的遥测信息数据、计量信息数据;所述各类设备自身属性数据包括:容量数据、长度数据、生产厂家数据、投运年限数据;所述各类设备负荷特性数据包括:负荷率数据、轻载/超载运行时间占比数据、平均负载率数据、峰谷差率数据、最大负载率数据;电网结构数据包括线路电网结构类型数据、变电站主变台数数据;所在区域经济数据包括人均GDP数据、GSP增速数据、城镇化率数据;所述地域发展数据包括位置数据、主地形数据、主产业数据、蓄水量数据、工厂数据;所述自然环境数据包括:温度数据、湿度数据、雷电数据、台风数据。
图2是本发明实施例中的数据分类模块的内部单元结构组成示意图。
在本发明具体实施过程中,如图2所示,所述数据分类模块11包括全量数据单元111、增量数据单元112、网格数据单元113、标识单元114和安置单元115;所述全量数据单元111用于对在各数据平台中采集的全量数据进行入库保存;所述增量数据单元112用于对在各数据平台中采集的增量数据进行入库保存;所述网格数据单元113用于将全量数据和增量数据进行流化处理,并打散为格网数据;所述标识单元114用于将所述格网数据按照数据来源、分别规律、人工发现进行类型标识分类,获得分类数据;所述安置单元115用于对所述分类数据进行整流、保持并发送。
图3是本发明实施例中的数据处理模块的内部单元结构组成示意图。
在本发明具体实施过程中,如图3所示,所述数据处理模块12包括抽取单元121、集成单元122、融合单元123、校核单元124、对比单元125、重构单元126、修复单元127和传输单元128;其中,所述抽取单元121用于使用ETL工具对各类型数据抽取、转换、迁移、装载;所述集成单元122用于将各个数据源的数据复制到同一处的数据仓库;所述融合单元123用于使用特征层融合,对来自各设备的各类型数据进行特征提取,通过关联处理进行决策层融合;所述校核单元124用于使用md5消息摘要算法对数据执行散列运算来检查数据的正确性;所述对比单元125用于通过与安全状态情况数据对比查找电力异常信息和所涉及的设备、地域、环境现状;所述重构单元126用于实现部分数据在结构、格式、类型、标识上的统一;所述修复单元127用于基于机器学习算法修复所述校核单元校核后需要修复的待修复数据;所述传输单元128用于对将各类型数据、处理后的数据传送到效率监测模块、分析影响因素模块和可视化模块。
在本发明具体实施过程中,所述修复单元127还用于根据所述数据处理模块中的所述校核单元查找待修复数据,并根据待修复数据类型获取其中的各类型数据统计信息,所述各类型数据统计信息包括各个字段的字段标识、字段值类型和/或字段值出现频次;根据所述各类型数据统计信息基于机器学习算法修复所述待修复数据,获取修复后数据。
在本发明具体实施过程中,所述模型建立模块13还用于构建效率评价模型,所述效率评价模型为一对一、一对多和多对多关系的E-R图,并使用Scikit-Learn库计算置信度、关联度、支持度,建立机器学习模型,使用k-means算法进行无监督学习,划出相似簇类、关联簇类,使用SG-CIM模型进行全面的数据质量控制。
在本发明具体实施过程中,所述效率监测模块14还用于所述效率评价模型计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度;并通过机器学习模型与算法进行特征提取、训练学习、对比查询,判断是否在正常配电范围。
在本发明具体实施过程中,所述分析影响因素模块15还用于根据所述模型建立模块和所述效率监测模块计算得出的置信度、关联度、支持度和相似簇类、关联簇类进行分析得出各影响因素的影响程度,并最终合理分配权值加权计算,并根据所述效率监测模块判断结果分析各影响因素对电力运行的干扰与决定作用。
在本发明具体实施过程中,所述可视化模块16还用于展示内容包括各类设备自身属性数据、负各类设备负荷特性数据、电网结构数据、所在区域经济数据、地域发展数据和自然环境数据、运行效率数据、各影响因素分析结果。
在本发明具体实施过程中,所述运行效率数据包括同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述各影响因素分析结果包括各类数据对不同设备运行效率的影响,以及对电力系统稳定运行的干扰效果。
具体的,配电网运行效率监测及分析系统包括数据分类模块11、数据处理模块12、模型建立模块13、效率监测模块14、分析影响因素模块15、可视化模块16;数据分类模块11对数据平台中的数据根据类型和标识进行分类得到各类型数据,供数据处理模块12进行处理,然而数据处理模块中包含有抽取单元121、集成单元122、融合单元123、校核单元124、对比单元125、重构单元126、修复单元127、传输单元128;通过这些单元实现对数据的处理,并且这些单元可以采用现有技术中相应的单元模块来实现。
通常机器学习算法需要事先建立模型,模型建立模块13构建效率评价模型,供效率监测模块14使用模型监测同层(同类)设备运行效率均衡度,不同层(不同类)设备运行效率协调性,均可采用现有的相应模块来实现,故不赘述;分析影响因素模块15包括分析内部因素有平均负载率、峰谷差率、变电站主变台数,外部因素有温度、湿度、雷电、台风,分析各自对运行效率的影响,均可采用现有的相应模块来实现,故不赘述;最后利用可视化模块16对数据进行可视化,包括各类设备所属自身属性、负荷特性、电网结构、区域经济、地域发展、自然环境、运行效率、各影响因素分析结果,均可采用现有的相应模块来实现,故不赘述。
数据分类模块11得到的各类型数据包括配电网常有数据,有多个节点位置的主变、高压线路、配变、中压线路的遥测信息、计量信息;包括各设备自身属性数据,有容量、长度、生产厂家、投运年限;包括各设备负荷特性数据,有负荷率、轻载/超载运行时间占比、平均负载率、峰谷差率、最大负载率;包括电网结构数据,有线路电网结构类型、变电站主变台数;包括所在区域经济数据,有人均GDP、GSP增速、城镇化率;包括地域发展数据,有位置、主地形、主产业、蓄水量、工厂;包括自然环境数据,有温度、湿度、雷电、台风。
如图2所示,数据分类模块11对海量的各类型数据分类,包括全量数据单元111、增量数据单元112、格网数据单元113、标识单元114、安置单元115;其中,全量数据单元111、增量数据单元112、格网数据单元113、标识单元114、安置单元115均可以采用现有的相应单元来实现,故不赘述。
全量数据单元111采集全量数据并入库,增量数据单元112采集增量数据并入库,格网数据单元113将全量数据、增量数据流化处理,打散为格网数据,标识单元114根据数据来源、分布规律、人工发现进行类型标识,安置单元115则用于数据整理、保存及发送。
供数据处理模块12进行处理,然而数据处理模块中包含有抽取单元121、集成单元122、融合单元123、校核单元124、对比单元125、重构单元126、修复单元127、传输单元128;抽取单元121用于使用ETL工具对各类型数据抽取、转换、迁移、装载;集成单元122用于将各个数据源的数据复制到同一处的数据仓库,用户则像访问普通数据库一样直接访问数据仓库;融合单元123用于使用特征层融合,对来自各设备的各类型数据进行特征提取,通过关联处理进行决策层融合;校核单元124用于使用常用的md5消息摘要算法对数据执行散列运算来检查数据的正确性;对比单元125用于通过与安全状态情况数据对比查找电力异常信息和所涉及的设备、地域、环境现状;重构单元126用于实现部分数据在结构、格式、类型、标识上的统一;传输单元128对将各类型数据、处理后的数据传送到效率监测模块14、分析影响因素模块15、可视化模块16。
修复单元127用于根据校核单元124查找待修复数据,并根据待修复数据类型获取所述其中的各类型数据统计信息,数据统计信息中包括各个字段的字段标识、字段值类型和/或字段值出现频次;根据数据统计信息基于机器学习算法修复所述待修复数据,获取修复后数据。
模型建立模块13建立实体关系模型和机器学习模型均为常见模型,模型建立模块13构建一对一、一对多、多对多联系的E-R图;使用Scikit-Learn库计算置信度、关联度、支持度,使用k-means算法进行无监督学习,划出相似簇类、关联簇类;使用SG-CIM模型进行全面的数据质量控制。
效率监测模块14根据模型建立模块13建立的模型计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度;并通过机器学习模型与算法进行特征提取、训练学习、对比查询,判断是否在正常配电范围。
分析影响因素模块15查询常见的内外各影响因素并根据模型建立模块13得出的置信度、关联度、支持度和相似簇类、关联簇类得出各影响因素的影响程度,并最终合理分配权值加权计算,并根据效率监测模块14判断结果分析各影响因素对电力运行的干扰与决定作用.
可视化模块16用于展示内容包括各类设备所属自身属性、负荷特性、电网结构、区域经济、地域发展、自然环境、运行效率、各影响因素分析结果;自身属性数据有容量、长度、生产厂家、投运年限;负荷特性数据有负荷率、轻载/超载运行时间占比、平均负载率、峰谷差率、最大负载率;电网结构数据有线路电网结构类型、变电站主变台数;区域经济数据有人均GDP、GSP增速、城镇化率;地域发展数据有位置、主地形、主产业、蓄水量、工厂;自然环境数据有温度、湿度、雷电、台风;各影响因素分析结果数据有上述各类数据对不同设备运行效率的影响,对电力运行的干扰效果;运行效率数据有同层设备运行效率均衡度,不同层设备运行效率协调性
在本发明实施例中,通过实时本发明实施例解决了传统配电监测系统的弊端,支持数据分类、数据融合、数据修正、数据监测、数据分析、数据可视化,分析影响配电设备运行效率的关键因素,加强配网运行安全与设备利用效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种配电网运行效率监测与分析系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种配电网运行效率监测与分析系统,其特征在于,所述系统包括:数据分类模块、数据处理模块、模型建立模块、效率监测模块、分析影响因素模块和可视化模块;其中,
所述数据分类模块用于对在各数据平台中采集的数据按照类型和标识进行分类,并将获得各类型数据传输至所述数据处理模块;所述数据处理模块用于对所述各类型数据依次进行抽取、集成、融合、校核、对比、重构、修复和传输处理,并将经过处理的数据分别输出至模型建立模块、效率监测模块、分析影响因素模块和可视化模块;所述模型建立模块用于构建效率评价模型;所述效率监测模型用于利用所述效率评价模型监测同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述分析影响因素模块用于根据内部因素和外部因素对各类型设备的运行效率进行影响分析;所述可视化模块用于对各类型设备运行效率影响分析结果进行可视化处理并显示。
2.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述数据平台中的数据包括:配电网多个节点位置的数据,各类设备自身属性数据,各类设备负荷特性数据,电网结构数据,所在区域经济数据,地域发展数据和自然环境数据;
所述配电网多个节点位置的数据包括:配电网多个节点位置的主变数据、高压线路数据、配变数据、中压线路的遥测信息数据、计量信息数据;
所述各类设备自身属性数据包括:容量数据、长度数据、生产厂家数据、投运年限数据;
所述各类设备负荷特性数据包括:负荷率数据、轻载/超载运行时间占比数据、平均负载率数据、峰谷差率数据、最大负载率数据;
电网结构数据包括线路电网结构类型数据、变电站主变台数数据;
所在区域经济数据包括人均GDP数据、GSP增速数据、城镇化率数据;
所述地域发展数据包括位置数据、主地形数据、主产业数据、蓄水量数据、工厂数据;
所述自然环境数据包括:温度数据、湿度数据、雷电数据、台风数据。
3.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述数据分类模块包括全量数据单元、增量数据单元、网格数据单元、标识单元和安置单元;
所述全量数据单元用于对在各数据平台中采集的全量数据进行入库保存;
所述增量数据单元用于对在各数据平台中采集的增量数据进行入库保存;
所述网格数据单元用于将全量数据和增量数据进行流化处理,并打散为格网数据;
所述标识单元用于将所述格网数据按照数据来源、分别规律、人工发现进行类型标识分类,获得分类数据;
所述安置单元用于对所述分类数据进行整流、保持并发送。
4.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述数据处理模块包括抽取单元、集成单元、融合单元、校核单元、对比单元、重构单元、修复单元和传输单元;其中,
所述抽取单元用于使用ETL工具对各类型数据抽取、转换、迁移、装载;
所述集成单元用于将各个数据源的数据复制到同一处的数据仓库;
所述融合单元用于使用特征层融合,对来自各设备的各类型数据进行特征提取,通过关联处理进行决策层融合;
所述校核单元用于使用md5消息摘要算法对数据执行散列运算来检查数据的正确性;
所述对比单元用于通过与安全状态情况数据对比查找电力异常信息和所涉及的设备、地域、环境现状;
所述重构单元用于实现部分数据在结构、格式、类型、标识上的统一;
所述修复单元用于基于机器学习算法修复所述校核单元校核后需要修复的待修复数据;
所述传输单元用于对将各类型数据、处理后的数据传送到效率监测模块、分析影响因素模块和可视化模块。
5.根据权利要求4所述的配电网运行效率监测与分析系统,其特征在于,所述修复单元还用于根据所述数据处理模块中的所述校核单元查找待修复数据,并根据待修复数据类型获取其中的各类型数据统计信息,所述各类型数据统计信息包括各个字段的字段标识、字段值类型和/或字段值出现频次;根据所述各类型数据统计信息基于机器学习算法修复所述待修复数据,获取修复后数据。
6.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述模型建立模块还用于构建效率评价模型,所述效率评价模型为一对一、一对多和多对多关系的E-R图,并使用Scikit-Learn库计算置信度、关联度、支持度,建立机器学习模型,使用k-means算法进行无监督学习,划出相似簇类、关联簇类,使用SG-CIM模型进行全面的数据质量控制。
7.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述效率监测模块还用于所述效率评价模型计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度;并通过机器学习模型与算法进行特征提取、训练学习、对比查询,判断是否在正常配电范围。
8.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述分析影响因素模块还用于根据所述模型建立模块和所述效率监测模块计算得出的置信度、关联度、支持度和相似簇类、关联簇类进行分析得出各影响因素的影响程度,并最终合理分配权值加权计算,并根据所述效率监测模块判断结果分析各影响因素对电力运行的干扰与决定作用。
9.根据权利要求1所述的配电网运行效率监测与分析系统,其特征在于,所述可视化模块还用于展示内容包括各类设备自身属性数据、负各类设备负荷特性数据、电网结构数据、所在区域经济数据、地域发展数据和自然环境数据、运行效率数据、各影响因素分析结果。
10.根据权利要求9所述的配电网运行效率监测与分析系统,其特征在于,所述运行效率数据包括同类型设备运行效率均衡度及不同类型设备运行效率协调性;所述各影响因素分析结果包括各类数据对不同设备运行效率的影响,以及对电力系统稳定运行的干扰效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330563.2A CN111598409A (zh) | 2020-04-24 | 2020-04-24 | 一种配电网运行效率监测与分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330563.2A CN111598409A (zh) | 2020-04-24 | 2020-04-24 | 一种配电网运行效率监测与分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598409A true CN111598409A (zh) | 2020-08-28 |
Family
ID=72188974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330563.2A Pending CN111598409A (zh) | 2020-04-24 | 2020-04-24 | 一种配电网运行效率监测与分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598409A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215366A (zh) * | 2020-12-07 | 2021-01-12 | 成都数联铭品科技有限公司 | 基于结果画像的模型解释方法、系统、计算及存储设备 |
CN112330108A (zh) * | 2020-10-22 | 2021-02-05 | 贵州电网有限责任公司 | 一种配变数据管理辅助决策系统 |
CN113159516A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电网运行数据的三维可视化信息分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945053A (zh) * | 2017-12-29 | 2018-04-20 | 广州思泰信息技术有限公司 | 一种多源配电网数据融合分析平台及其控制方法 |
US10572323B1 (en) * | 2017-10-24 | 2020-02-25 | EMC IP Holding Company LLC | Predicting physical storage unit health |
CN110991799A (zh) * | 2019-10-30 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产综合预警方法 |
-
2020
- 2020-04-24 CN CN202010330563.2A patent/CN111598409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572323B1 (en) * | 2017-10-24 | 2020-02-25 | EMC IP Holding Company LLC | Predicting physical storage unit health |
CN107945053A (zh) * | 2017-12-29 | 2018-04-20 | 广州思泰信息技术有限公司 | 一种多源配电网数据融合分析平台及其控制方法 |
CN110991799A (zh) * | 2019-10-30 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产综合预警方法 |
Non-Patent Citations (1)
Title |
---|
周杨珺 等: "基于多源异构数据的配电网运行分析平台系统架构与技术实现", 《南方电网技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330108A (zh) * | 2020-10-22 | 2021-02-05 | 贵州电网有限责任公司 | 一种配变数据管理辅助决策系统 |
CN112215366A (zh) * | 2020-12-07 | 2021-01-12 | 成都数联铭品科技有限公司 | 基于结果画像的模型解释方法、系统、计算及存储设备 |
CN112215366B (zh) * | 2020-12-07 | 2021-03-02 | 成都数联铭品科技有限公司 | 基于结果画像的模型解释方法、系统、计算及存储设备 |
CN113159516A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电网运行数据的三维可视化信息分析系统 |
CN113159516B (zh) * | 2021-03-24 | 2023-07-14 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电网运行数据的三维可视化信息分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113904443B (zh) | 多维度空间可视化的现场变电设备监控与预警系统 | |
CN111177101B (zh) | 一种基于大数据架构的配电网多维可视化平台 | |
CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
CN111598409A (zh) | 一种配电网运行效率监测与分析系统 | |
WO2020147349A1 (zh) | 配电网运行辅助决策分析系统及方法 | |
US20230369854A1 (en) | Method and apparatus for checking power grid measurement data, device, storagemedium and program product | |
CN112199421B (zh) | 一种多源异构数据融合和量测数据多源互校验方法及系统 | |
CN106022592A (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
CN107918830A (zh) | 一种基于大数据技术的配电网运行状态评估系统及方法 | |
CN104915897A (zh) | 一种电网规划评价业务的计算机实现方法 | |
CN110826228A (zh) | 一种地区电网运行品质极限评估方法 | |
CN111091240A (zh) | 一种公共机构电力能效监测系统及服务方法 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN107862459B (zh) | 一种基于大数据的计量设备状态评估方法及系统 | |
WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
CN111582717A (zh) | 一种基于大数据技术的主动配电网规划方法 | |
Zhou et al. | Research and Implementation of Distribution Network Operating Analysis Platform Based on Multi-source Heterogeneous Data | |
CN103247087A (zh) | 城市配网图形化智能防误操作系统及其方法 | |
Hou et al. | A federated learning-based fault detection algorithm for power terminals | |
CN115935201A (zh) | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 | |
CN117117820A (zh) | 一种分布式新能源接入的配电网风险评估与协同平抑方法 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN113689064A (zh) | 一种透明化变电站管理系统架构 | |
CN113642171A (zh) | 一种基于大数据的输变电设备健康状态评估系统及方法 |
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: 20200828 |
|
RJ01 | Rejection of invention patent application after publication |