CN112421770A

CN112421770A - 一种配电自动化系统的自动辅助巡检方法及系统

Info

Publication number: CN112421770A
Application number: CN202011116734.8A
Authority: CN
Inventors: 顾牛; 张义旭; 王伟; 胡芮嘉; 庞琪; 张峰; 王莎莉; 蒋雪宁; 宋兆亮; 朱志超
Original assignee: State Grid Shandong Electric Power Company Zoucheng Power Supply Co; State Grid Corp of China SGCC; Jining Power Supply Co of State Grid Shandong Electric Power Co Ltd
Current assignee: State Grid Shandong Electric Power Company Zoucheng Power Supply Co; State Grid Corp of China SGCC; Jining Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date: 2020-10-19
Filing date: 2020-10-19
Publication date: 2021-02-26

Abstract

本公开提出了一种配电自动化系统的自动辅助巡检方法及系统，方法包括如下步骤：获取配电自动化系统的运行数据；基于运行数据提取配电自动化系统的关键指标数据，所述关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标；将关键指标数据预处理为时间序列数据，输入至训练好的长短期记忆神经网络，输出配电自动化系统未来一段时间内发生故障的概率，并给出预测故障的区段。本公开通过采用主成分分析法融合深度学习的长短期记忆神经网路，根据关键指标预测并定位配电自动化系统的故障，通过减少数据量以及人工智能算法提高故障判断的效率，实现预测给处理故障预留处理时间，提高系统运行的稳定性。

Description

一种配电自动化系统的自动辅助巡检方法及系统

技术领域

本公开涉及配电自动化相关技术领域，具体的说，是涉及一种配电自动化系统的自动辅助巡检方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

配电自动化系统对电网设备的安全稳定运行起着至关重要的作用，配电自动化系统硬件及软件构成较为复杂，硬件方面系统本身包括服务器，工作站，交换机，路由器，软件方面系统包含多种操作系统及数据库，对于投运多年的配电自动化系统，极易出现软硬件故障。

发明人发现，对于配电自动化系统的状态监测，目前情况大多是设备或者是程序出现问题再去查找故障点，而无法主动发现设备可能存在的故障隐患，无法根据设备的运行状态提前进行检修。因此需要耗费大量的时间与精力，严重的还会耽误现场电气设备的正常监控与操作，给电网的稳定运行带来了安全隐患。

发明内容

本公开为了解决上述问题，提出了一种配电自动化系统的自动辅助巡检系统及方法，融合主成分分析方法及深度学习方法，基于当前运行的数据，对配电自动化系统的运行故障进行提前预测，实现故障的提前应对，提高电网的安全稳定运行。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了一种配电自动化系统的自动辅助巡检方法，包括如下步骤：

获取配电自动化系统的运行数据；

基于运行数据提取配电自动化系统的关键指标数据，所述关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标；

将关键指标数据预处理为时间序列数据，输入至训练好的长短期记忆神经网络，输出配电自动化系统未来一段时间内发生故障的概率，并给出预测故障的区段。

一个或多个实施例提供了一种配电自动化系统的自动辅助巡检系统，包括：

获取模块：被配置为用于获取配电自动化系统的运行数据；

关键指标数据提取模块：被配置为用于基于运行数据提取配电自动化系统的关键指标数据，所述关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标；

预测模块：被配置为用于将关键指标数据预处理为时间序列数据，输入至训练好的长短期记忆神经网络，输出配电自动化系统未来一段时间内发生故障的概率，并给出预测故障的区段。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。

一种计算机可读存储介质，

用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。

与现有技术相比，本公开的有益效果为：

本公开通过采用主成分分析法对采集的指标数据进行降维处理，提取影响配电自动化系统运行的关键指标，同时融合深度学习的长短期记忆神经网路，对关键指标进行判断，根据关键指标预测并定位配电自动化系统的故障，通过减少数据量以及人工智能算法提高故障判断的效率，实现预测给处理故障预留处理时间，提高系统运行的稳定性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的自动辅助巡检方法流程图；

图2是本公开实施例2的系统框图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

在一个或多个实施方式中公开的技术方案中，如图1所示，一种配电自动化系统的自动辅助巡检方法，包括如下步骤：

步骤1、获取配电自动化系统的运行数据；

步骤2、基于运行数据提取配电自动化系统的关键指标数据，所述关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标；

步骤3、将关键指标数据预处理为时间序列数据，输入至训练好的长短期记忆神经网络，输出配电自动化系统未来一段时间内发生故障的概率，并给出预测故障的区段。

本实施例通过采用主成分分析法对采集的指标数据进行降维处理，提取影响配电自动化系统运行的关键指标，同时融合深度学习的长短期记忆神经网路，对关键指标进行判断，根据关键指标预测并定位配电自动化系统的故障，通过减少数据量以及人工智能算法提高故障判断的效率，实现预测给处理故障预留处理时间，提高系统运行的稳定性。

配电自动化系统包括服务器、工作站等监控主机,软件系统包括电网GIS平台、营销业务系统、配电网规划设计平台、设备运维管理系统等。服务器、工作站通过通信网络与各个配电子站通信连接，用于实现配电设备如柱上开关、环网柜、开关柜的遥控、遥信和遥测控制。

步骤1中，获取的配电自动化系统的运行数据包括如下数据：

服务器和工作站的各主机的CPU负荷率、网络负荷率、内存使用情况、进程启动/停止状态监控、进程的CPU负荷率、进程内存占用率；遥控成功率、遥控使用率、遥信动作正确率等；通信网络的中断次数和中断时间、数据丢包率以及最大延迟时间；交换机及路由器的运行状态数据；服务器、工作站、交换机和路由器等硬件设备的设备温度数据、工作环境温度数据。

配电自动化系统的运行故障包括：硬件设备的运行故障、通信网络故障、主机软件系统运行故障等。

步骤2中，主成分分析的步骤如下：

1)对变量进行标准化处理：

为消除各变量单位对结果的影响，需要对变量进行标准化处理，标准化方法如式(1)所示：

其中，X_ij为第i个样本的第j个参数的原始值，X’_ij为第i个样本的第j个参数的标准化后的值，

和S_j分别为第j个参数的均值和标准差。

2)计算各变量相关系数矩阵：

计算各变量之间的相关系数矩阵，如式(2)所示。

其中r_ij表示第i个变量和第j个变量之间的相关系数，可用下式计算:

3)计算相关系数矩阵的特征值和特征向量：

求解特征方程：

|λI-R|＝0 (4)

采用雅克比法求解特征方程的特征值λ_i，其中i＝1,2,…p，并按降序排序；求出特征值所对应的特征向量a_i。

4)计算主成分贡献率及累计贡献率；

主成分的贡献率为：

主成分的累计贡献率为：

针对每一种故障类型，根据主成分的累计贡献率定义并提取主成分作为该故障的关键指标。

将关键指标数据预处理为时间序列数据，具体的如下：

步骤31、设定时间窗口；

步骤32、设定的时间窗口内，硬件设备的温度为平均温度；

步骤33、对于硬件设备的运行数据，转化为硬件设备每种告警数据出现的次数；

步骤34、主站进程启动/停止状态监控，转化为进程运行的启动次数和停止次数；

步骤35、各主机的CPU负荷率、网络负荷率、进程的CPU负荷率、进程内存占用率、遥控成功率、遥控使用率、遥信动作正确率取时间窗口内的平均值。

长短期记忆网络的神经元采用具有记忆功能的神经元，本实施例的长短期记忆网络(Long Short-Term Memory，简称为LSTM)预测模型包括三个控制门，分别为：更新门、遗忘门和输出门。

更新门将当前时刻的输入量x_t和上一个时刻的状态值h_t-1组合形成混合输入并进行筛选控制，生成更新信息i_t，并通过sigmoid函数将更新信息限值在0到1之间，表示所通过信息的比例。

遗忘门与记忆单元c_t-1进行点乘运算，舍弃记忆单元中一些无效的历史信息。

输出门对更新信息i_t和通过遗忘门处理的信息重新计算后，经tanh激活函数处理后获得预测值。

长短期记忆神经网络的训练，包括如下步骤：

步骤3-1、获取配电自动化系统的历史运行数据；所述历史运行数据包括配电自动化系统的正常状态和故障状态数据；

步骤3-2、基于运行数据提取配电自动化系统的关键指标数据，所述关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标；

步骤3-3、将关键指标数据预处理为时间序列数据，以关键指标数据为输入、以故障类型为输出，输入至构建好的长短期记忆神经网络进行训练；

步骤3-4、采用交叉熵作为损失函数，计算损失函数的数值，当损失函数小于设定的阈值，长短期记忆神经网络训练过程结束。

骤3-1中，获取的配电自动化系统的运行数据包括如下数据：

步骤3-2中，关键指标为采用主成分分析方法确定的配电自动化系统运行的关键指标的方法步骤同前述步骤2

步骤3-3、将关键指标数据预处理为时间序列数据的步骤同前述步骤3；

实施例2

基于实施例1的方法，本实施例提供一种配电自动化系统的自动辅助巡检系统，如图2所示，包括：

获取模块：被配置为用于获取配电自动化系统的运行数据；

实施例3

本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。

实施例4

本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。

本公开所提出的电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。

应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述功能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，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开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)执行本公开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。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种配电自动化系统的自动辅助巡检方法，其特征是，包括如下步骤：

获取配电自动化系统的运行数据；

2.如权利要求1所述的一种配电自动化系统的自动辅助巡检方法，其特征是：将关键指标数据预处理为时间序列数据，具体的如下：

设定时间窗口；

设定的时间窗口内，硬件设备的温度为平均温度；

对于硬件设备的运行数据，转化为硬件设备每种告警数据出现的次数；

主站进程启动/停止状态监控，转化为进程运行的启动次数和停止次数；

各主机的CPU负荷率、网络负荷率、进程的CPU负荷率、进程内存占用率、遥控成功率、遥控使用率和遥信动作正确率数据，取时间窗口内的平均值。

3.如权利要求1所述的一种配电自动化系统的自动辅助巡检方法，其特征是：主成分分析的步骤包括：

变量进行标准化处理；

计算各变量相关系数矩阵；

计算相关系数矩阵的特征值和特征向量；

计算主成分贡献率及累计贡献率；

针对每一种故障类型，根据主成分的累计贡献率提取主成分作为该故障的关键指标。

4.如权利要求1所述的一种配电自动化系统的自动辅助巡检方法，其特征是：长短期记忆神经网络的训练，包括如下步骤：

获取配电自动化系统的历史运行数据；所述历史运行数据包括配电自动化系统的正常状态和故障状态数据；

将关键指标数据预处理为时间序列数据，以关键指标数据为输入、以故障类型为输出，输入至构建好的长短期记忆神经网络进行训练；

计算损失函数的数值，当损失函数小于设定的阈值，长短期记忆神经网络训练过程结束。

5.如权利要求4所述的一种配电自动化系统的自动辅助巡检方法，其特征是：采用交叉熵作为损失函数。

6.如权利要求1所述的一种配电自动化系统的自动辅助巡检方法，其特征是：配电自动化系统包括服务器、工作站的监控主机，软件系统包括电网GIS平台、营销业务系统、配电网规划设计平台或/和设备运维管理系统；服务器、工作站通过通信网络与各个配电子站通信连接，用于实现柱上开关、环网柜、开关柜的遥控、遥信和遥测控制。

7.如权利要求1所述的一种配电自动化系统的自动辅助巡检方法，其特征是：配电自动化系统的运行数据，包括：服务器和工作站的各主机的CPU负荷率、网络负荷率、内存使用情况、进程启动/停止状态监控、进程的CPU负荷率、及进程内存占用率；遥控成功率、遥控使用率及遥信动作正确率；通信网络的中断次数和中断时间、数据丢包率以及最大延迟时间；交换机及路由器的运行状态数据；硬件设备的设备温度数据及工作环境温度数据；

或者，配电自动化系统的运行故障包括：硬件设备的运行故障、通信网络故障及主机软件系统运行故障。

8.一种配电自动化系统的自动辅助巡检系统，其特征是，包括：

获取模块：被配置为用于获取配电自动化系统的运行数据；

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。