CN112712443A - 换流站的事件分析方法及分析装置 - Google Patents
换流站的事件分析方法及分析装置 Download PDFInfo
- Publication number
- CN112712443A CN112712443A CN202110021103.6A CN202110021103A CN112712443A CN 112712443 A CN112712443 A CN 112712443A CN 202110021103 A CN202110021103 A CN 202110021103A CN 112712443 A CN112712443 A CN 112712443A
- Authority
- CN
- China
- Prior art keywords
- ser
- event
- fault
- converter station
- group
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- GIIZNNXWQWCKIB-UHFFFAOYSA-N Serevent Chemical compound C1=C(O)C(CO)=CC(C(O)CNCCCCCCOCCCCC=2C=CC=CC=2)=C1 GIIZNNXWQWCKIB-UHFFFAOYSA-N 0.000 claims abstract description 60
- 229940090585 serevent Drugs 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 13
- 208000025174 PANDAS Diseases 0.000 claims abstract description 11
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims abstract description 11
- 235000016496 Panda oleosa Nutrition 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 23
- 240000004718 Panda Species 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种换流站的事件分析方法及分析装置，获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；将各所述SER事件基于FP‑Growth算法确定SER故障可信组；基于SER故障可信组分析当前故障的SER故障可信值；通过故障SER可信值判断换流站是否异常，进一步判断换流站设备是否发生异常。
Description
技术领域
本发明涉及分析装置领域，具体地，涉及一种换流站的事件分析方法及分析装置。
背景技术
随着泛在电力物联网建设的不断发展以及物理信息系统在电力系统中的深度融合，电力数据的数量呈爆炸增长的趋势，电力系统大数据平台正在不断完善。
随着我国高压/特高压多端直流输电工程的陆续建成投运，特别是我国已全面投运世界上首个特高压多端混合直流工程，换流站设备的复杂程度与智能化程度提高到了一个新的水平，对换流站的智能化运维能力提出了更高的要求。当前换流站的运维数据主要依靠事件顺序记录系统记录运维事件(SER)，SER事件是运维人员监视换流站设备运行状态最重要的手段之一。
现有的，对于换流站SER事件的异常数据挖掘的技术较少，缺乏对直流系统状态转换或保护动作后换流站SER事件间的异常分析。
发明内容
本发明的目的在于提供一种换流站的事件分析方法及分析装置。
为解决上述技术问题，本发明采用如下技术方案：
根据本发明的一个方面，本发明提供一种换流站的事件分析方法，包括：获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
将各所述SER事件基于FP-Growth算法确定SER故障可信组；
基于SER故障可信组分析当前故障的SER故障可信值；
通过故障SER可信值判断换流站是否异常。
根据本公开的一方面，提供了一种换流站的日志关联分析装置，包括：
获取模块，用于获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
筛选模块，用于基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
确定模块，用于将各所述SER事件基于FP-Growth算法确定SER故障可信组；
分析模块，用于基于SER故障可信组分析当前故障的SER故障可信值；
判断模块，用于通过故障SER可信值判断换流站是否异常。
根据本公开的一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据上述的方法。
根据本公开的一方面，提供了一种电子装置，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现上述的方法。
由上述技术方案可知，本发明实施例至少具有如下优点和积极效果：
在本发明的一些实施例所提供的技术方案中，获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；将各所述SER事件基于FP-Growth算法确定SER故障可信组；基于SER故障可信组分析当前故障的SER故障可信值；通过故障SER可信值判断换流站是否异常，进一步判断换流站设备是否发生异常。
附图说明
图1是根据一示例性实施例示出的一种换流站的事件分析方法的流程图。
图2是根据一示例性实施例示出的获取换流站SER事件的数据特征项的流程示意图。
图3是根据一示例性实施例示出的将各所述SER事件基于FP-Growth算法确定SER故障可信组的流程示意图。
图4是根据一示例性实施例示出的所述通过故障SER可信值判断换流站是否异常的流程示意图。
图5是根据一示例性实施例示出的基于FP-Growth算法的求解SER故障可信组方法的流程图。
图6是根据一示例性实施例示出的处理SER故障数据的流程图。
图7是根据一示例性实施例示出的一种换流站的事件分析装置框图。
图8是根据一示例性实施例示出的一种电子装置的硬件图。
图9是根据一示例性实施例示出的一种换流站的事件分析方法的计算机可读存储介质。
具体实施方式
体现本发明特征与优点的典型实施方式将在以下的说明中详细叙述。应理解的是本发明能够在不同的实施方式上具有各种的变化，其皆不脱离本发明的范围，且其中的说明及图示在本质上是当作说明之用，而非用以限制本发明。
随着泛在电力物联网建设的不断发展以及物理信息系统在电力系统中的深度融合，电力数据的数量呈爆炸增长的趋势，电力系统大数据平台正在不断完善。
随着我国高压/特高压多端直流输电工程的陆续建成投运，特别是我国已全面投运世界上首个特高压多端混合直流工程，换流站设备的复杂程度与智能化程度提高到了一个新的水平，对换流站的智能化运维能力提出了更高的要求。当前换流站的运维数据主要依靠事件顺序记录系统记录运维事件(SER)，SER事件是运维人员监视换流站设备运行状态最重要的手段之一。
现有的，对于换流站SER事件的异常数据挖掘的技术较少，缺乏对直流系统状态转换或保护动作后换流站SER事件间的异常分析。
另外，现有的基于关联规则挖掘的研究大多数都是使用Apriori算法。
由于Apriori算法需要扫描数据库多次且操作过程中产生大量的候选集，导致时间、空间成本过高，而FP-Growth算法仅需要对数据集扫描两次，且不生产候选集，有效的降低了FP-Growth算法的I/O次数。
根据本公开的一个实施例，提供了一种换流站的事件分析方法，如图1至图6所示，该换流站的事件分析方法,包括：
步骤S110、获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
步骤S120、基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
步骤S130、将各所述SER事件基于FP-Growth算法确定SER故障可信组；
步骤S140、基于SER故障可信组分析当前故障的SER故障可信值；
步骤S150、通过故障SER可信值判断换流站是否异常。
如图1至图6所示，在步骤S110中，所述获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
步骤S110包括：
步骤S111、提取换流站SER事件的数据特征项中的提取时间、主机名、系统告警、事件等级、报警组；
步骤S112、从原始SER数据中特征项的提取时间和事件等级作为索引，主机名、报警组和事件列表作为特征来进行第一模型的建立；
步骤S113、提取事件等级为“轻微”、“报警”和“紧急”情况，以更新所述第一模型。
其中，所述第一模型为：
M＝(I(I1,I2,I3),P(P1+P2))
其中，I表示索引维度特征的集合:I1为时间维度，I2为主机维度，I3为等级维度；P表示数据挖掘特征的集合:P1为报警组，P2为事件。
还有的是，若SER事件的故障发生后的停留时间满足预设时间阈值，将第一模型更新为第二模型；
第二模型为
M＝(I(ΔI1,I2),P(P1+P2))
其中，I表示索引维度特征的集合:ΔI1为时间差值，I2为主机维度；P表示数据挖掘特征的集合:P1为报警组，P2为事件。
另外，以SER的第一模型中的时间差值为索引，得到不同故障的SER事件集，并为每个SER事件编号，以便于每个SER事件的统计和记录。
如图1至图6所示，在步骤S120中，基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
提取SER事件数据特征项：时间、主机名、系统告警、事件等级、报警组和事件列表。SER数据特征项中，时间方便收集故障发生后产生的SER数据；主机方便定位产生事件的控制保护装置；系统告警表明主机的哪一套冗余系统(A/B)产生该事件；事件等级表明该事件需要给予的关注度，分为“正常”、“轻微”、“报警”和“紧急”四个等级；报警组为产生该事件的设备组或产生该事件的主机的控制软件的模块；事件列表为对该事件的内容描述。
更新SER事件数据特征项时间为时间差。直流输电系统故障保护出口后相关设备动作将在0-120秒内完成，故采用关联事件最大时间值为120秒，即选取故障发生后120秒内的SER事件。
更新SER事件数据特征项等级只取“轻微”、“报警”和“紧急”情况。因考虑故障状态下换流站SER事件的异常情况，故不考虑等级为“正常”情况下的换流站SER事件的记录，只考虑等级为“轻微”、“报警”和“紧急”情况。
建立SER事件模型：根据以上情况建立换流站SER事件模型M，SER模型M如下所示：
M＝(I(ΔI1,I2),P(P1+P2))
其中，I表示索引维度特征的集合:ΔI1为时间差值，I2为位置维度；P表示时间特征的集合:P1为报警组，P2为事件。
在步骤S130中，将各所述SER事件基于FP-Growth算法确定SER故障可信组；
如图1至图6所示，步骤S130包括：
步骤S131、建立频繁模式树；
步骤S132、从频繁模式树中挖掘频繁项集；
步骤S133、得到最大SER事件组并以之为最大SER故障可信组；
步骤S134、通过计算得到大于置信度阈值并以之为扩充SER故障可信组。
其中，输入发生当前故障的所有时间；得到当前故障SER事件集；导入FP-Growth算法，设置最小支持度为0.5以进行关联规则分析；得到各事件的支持度与各事件集合的支持度；得出SER故障可信组并分析出最大SER故障可信组为{事件0，事件1}，且{事件6}、{事件5}、{事件2}、{事件4}作为扩充SER故障可信组。
另外，扫描一次数据库并统计每个项目的出现次数；以降序的方式排列项目集；.根据最小支持度公式，以空节点为根节点，将SER事件加入FP-Tree中，并且需按照SER事件出现次数降序排列树状图，从而建立频繁模式树。
如图1至图7所示，在步骤S140中，基于SER故障可信组分析当前故障的SER故障可信值；
具体的，以某次直流输电系统发生逆变站换流器阀丢脉冲故障为例，计算SER故障可信值主要包括以下步骤：检测到发生逆变站换流器阀丢脉冲故障，设置SER故障可信值阈值为0.8；记录发生故障后120s的SER事件并清洗，得到的SER事件如下表2所示：调出最大SER故障可信组{事件0，事件1}和扩充SER故障可信组{事件6}、{事件5}、{事件2}、{事件4}；扫描到SER第三、四行中的事件为{事件1，事件2}；开始扫描扩充SER故障可信组，扫描到{事件2}和{事件3}；计算SER故障可信值为0.56，小于SER故障可信值阈值0.8，则不需发出报警；将此次该故障的SER事件并入该故障的SER事件集合，便于后续的关联规则数据挖掘。至此完成了一次逆变站换流器阀丢脉冲故障SER事件分析。
如图1至图6所示，在步骤S150中，所述通过故障SER可信值判断换流站是否异常；
步骤S150包括：
步骤S151、保护系统检测到发生故障，设置SER故障可信值阈值；
步骤S152、记录发生故障后120s的SER事件并清洗；
步骤S153、调出最大SER故障可信组扫描SER事件和扩充SER故障可信组扫描SER事件；
步骤S154、若SER故障可信值并为0.56，小于SER故障可信值阈值0.8，则将此次该故障的SER事件并故障后120s内SER事件加入SER事件集；
步骤S155、根据SER故障可信值判断SER是否异常。
由上述技术方案可知，本发明实施例至少具有如下优点和积极效果：
在本发明的一些实施例所提供的技术方案中，获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；将各所述SER事件基于FP-Growth算法确定SER故障可信组；基于SER故障可信组分析当前故障的SER故障可信值；通过故障SER可信值判断换流站是否异常，进一步判断换流站设备是否发生异常。
还有的是，解决了对于换流站SER事件的异常数据挖掘的技术较少，缺乏对直流系统状态转换或保护动作后换流站SER事件间的关联分析的问题。本发明包括：选取换流站SER事件的数据特征项，根据数据特征项采集历史运行数据并进行数据预处理；使用Pandas从数据特征项中筛选发生不同故障时的SER事件；基于FP-Growth算法得出SER故障可信组；利用SER故障可信组分析当前故障的SER故障可信值；通过故障SER可信值判断换流站产生的SER事件是否异常，从而进一步判断换流站设备是否发生异常。
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
如图7所示，在一个实施例中，所述换流站的日志关联分析装置200还包括：
获取模块210，用于获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
筛选模块220，用于基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
确定模块230，用于将各所述SER事件基于FP-Growth算法确定SER故障可信组；
分析模块240，用于基于SER故障可信组分析当前故障的SER故障可信值；
判断模块250，用于通过故障SER可信值判断换流站是否异常。
下面参照图8来描述根据本发明的这种实施方式的电子设备40。图9显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：上述至少一个处理单元41、上述至少一个存储单元42、连接不同系统组件(包括存储单元42和处理单元41)的总线43。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元41执行，使得所述处理单元41执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元42可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。
存储单元42还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线43可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备40也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器46通过总线43与电子设备40的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开一个实施例，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品50，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限。
Claims (9)
1.一种换流站的事件分析方法，其特征在于，包括：
获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
将各所述SER事件基于FP-Growth算法确定SER故障可信组；
基于SER故障可信组分析当前故障的SER故障可信值；
通过故障SER可信值判断换流站是否异常。
2.如权利要求1所述的换流站的事件分析方法，其特征在于，所述获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理，包括：
提取换流站SER事件的数据特征项中的提取时间、主机名、系统告警、事件等级、报警组；
从原始SER数据中特征项的提取时间和事件等级作为索引，主机名、报警组和事件列表作为特征来进行第一模型的建立；
提取事件等级为“轻微”、“报警”和“紧急”情况，以更新所述第一模型。
3.如权利要求2所述的换流站的事件分析方法，其特征在于，所述第一模型为：
M＝(I(I1,I2,I3),P(P1+P2))
其中，I表示索引维度特征的集合:I1为时间维度，I2为主机维度，I3为等级维度；P表示数据挖掘特征的集合:P1为报警组，P2为事件。
4.如权利要求3所述的换流站的事件分析方法，其特征在于，所述换流站的事件分析方法，还包括：
若SER事件的故障发生后的停留时间满足预设时间阈值，将第一模型更新为第二模型；
第二模型为
M＝(I(ΔI1,I2),P(P1+P2))
其中，I表示索引维度特征的集合:ΔI1为时间差值，I2为主机维度；P表示数据挖掘特征的集合:P1为报警组，P2为事件。
5.如权利要求4所述的换流站的事件分析方法，其特征在于，所述将各所述SER事件基于FP-Growth算法确定SER故障可信组，包括：
建立频繁模式树；
从频繁模式树中挖掘频繁项集；
得到最大SER事件组并以之为最大SER故障可信组；
通过计算得到大于置信度阈值并以之为扩充SER故障可信组。
6.如权利要求1所述的换流站的事件分析方法，其特征在于，所述通过故障SER可信值判断换流站是否异常，包括：
保护系统检测到发生故障，设置SER故障可信值阈值；
记录发生故障后120s的SER事件并清洗；
调出最大SER故障可信组扫描SER事件和扩充SER故障可信组扫描SER事件；
若SER故障可信值并为0.56，小于SER故障可信值阈值0.8，则将此次该故障的SER事件并故障后120s内SER事件加入SER事件集；
根据SER故障可信值判断SER是否异常。
7.一种换流站的日志关联分析装置，其特征在于，包括：
获取模块，用于获取换流站SER事件的数据特征项，并基于该数据特征项对数据进行数据预处理；
筛选模块，用于基于Pandas从所述数据特征项中筛选发生不同故障时的SER事件；
确定模块，用于将各所述SER事件基于FP-Growth算法确定SER故障可信组；
分析模块，用于基于SER故障可信组分析当前故障的SER故障可信值；
判断模块，用于通过故障SER可信值判断换流站是否异常。
8.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至6中任一项所述的方法。
9.一种电子装置，其特征在于，包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110021103.6A CN112712443B (zh) | 2021-01-08 | 2021-01-08 | 换流站的事件分析方法及分析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110021103.6A CN112712443B (zh) | 2021-01-08 | 2021-01-08 | 换流站的事件分析方法及分析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112712443A true CN112712443A (zh) | 2021-04-27 |
| CN112712443B CN112712443B (zh) | 2022-06-10 |
Family
ID=75548540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110021103.6A Active CN112712443B (zh) | 2021-01-08 | 2021-01-08 | 换流站的事件分析方法及分析装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712443B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626480A (zh) * | 2021-08-13 | 2021-11-09 | 昆明理工大学 | 一种基于改进关联规则的直流换流站ser事件集诊断方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549914A (zh) * | 2018-04-19 | 2018-09-18 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于Apriori算法的异常SER/SOE事件识别方法 |
| CN108564344A (zh) * | 2018-04-17 | 2018-09-21 | 许继电气股份有限公司 | 一种直流换流站故障数据自动采集方法及装置 |
| US10127125B2 (en) * | 2016-10-21 | 2018-11-13 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
| CN108846484A (zh) * | 2018-04-11 | 2018-11-20 | 北京百度网讯科技有限公司 | 故障自愈系统、方法、计算机设备及存储介质 |
| CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
| CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
| CN111027615A (zh) * | 2019-12-05 | 2020-04-17 | 江苏方天电力技术有限公司 | 基于机器学习的中间件故障预警方法和系统 |
| CN111597708A (zh) * | 2020-05-14 | 2020-08-28 | 北京赛宝工业技术研究院有限公司 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
| CN111898090A (zh) * | 2020-06-19 | 2020-11-06 | 中国电力科学研究院有限公司 | 一种电力一次设备故障原因概率分布分析方法和系统 |
| CN112131852A (zh) * | 2020-09-14 | 2020-12-25 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站故障报告自动生成方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-08 CN CN202110021103.6A patent/CN112712443B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10127125B2 (en) * | 2016-10-21 | 2018-11-13 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
| CN108846484A (zh) * | 2018-04-11 | 2018-11-20 | 北京百度网讯科技有限公司 | 故障自愈系统、方法、计算机设备及存储介质 |
| CN108564344A (zh) * | 2018-04-17 | 2018-09-21 | 许继电气股份有限公司 | 一种直流换流站故障数据自动采集方法及装置 |
| CN108549914A (zh) * | 2018-04-19 | 2018-09-18 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于Apriori算法的异常SER/SOE事件识别方法 |
| CN109358602A (zh) * | 2018-10-23 | 2019-02-19 | 山东中创软件商用中间件股份有限公司 | 一种故障分析方法、装置及相关设备 |
| CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
| CN111027615A (zh) * | 2019-12-05 | 2020-04-17 | 江苏方天电力技术有限公司 | 基于机器学习的中间件故障预警方法和系统 |
| CN111597708A (zh) * | 2020-05-14 | 2020-08-28 | 北京赛宝工业技术研究院有限公司 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
| CN111898090A (zh) * | 2020-06-19 | 2020-11-06 | 中国电力科学研究院有限公司 | 一种电力一次设备故障原因概率分布分析方法和系统 |
| CN112131852A (zh) * | 2020-09-14 | 2020-12-25 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站故障报告自动生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 张梅 等: "基于Apriori算法的事件识别方法研究", 《数据技术与应用》 * |
| 张梅 等: "基于Apriori算法的事件识别方法研究", 《数据技术与应用》, 15 May 2016 (2016-05-15) * |
| 花侃 等: "特高压换流站直流系统接地故障处理及建议", 《电工技术》 * |
| 花侃 等: "特高压换流站直流系统接地故障处理及建议", 《电工技术》, 10 December 2020 (2020-12-10) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626480A (zh) * | 2021-08-13 | 2021-11-09 | 昆明理工大学 | 一种基于改进关联规则的直流换流站ser事件集诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112712443B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110958136A (zh) | 一种基于深度学习的日志分析预警方法 | |
| JP7478226B2 (ja) | 充電ステーション監視方法および装置 | |
| CN110516971A (zh) | 异常检测的方法、装置、介质和计算设备 | |
| CN110674009B (zh) | 应用服务器性能监测方法、装置、存储介质及电子设备 | |
| CN113268399B (zh) | 一种告警处理方法、装置和电子设备 | |
| CN110716868A (zh) | 异常程序行为检测方法、装置 | |
| US20200233587A1 (en) | Method, device and computer product for predicting disk failure | |
| CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
| CN112712348B (zh) | 换流站的日志关联分析方法及诊断装置 | |
| US20220027253A1 (en) | Method, electronic device, and computer program product for analyzing log file | |
| CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
| CN112712443B (zh) | 换流站的事件分析方法及分析装置 | |
| CN110704390A (zh) | 获取服务器维护脚本的方法、装置、电子设备及介质 | |
| CN113609008A (zh) | 测试结果分析方法、装置和电子设备 | |
| CN117439916A (zh) | 一种网络安全测试评估系统及方法 | |
| US20120078912A1 (en) | Method and system for event correlation | |
| WO2023224764A1 (en) | Multi-modality root cause localization for cloud computing systems | |
| CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
| CN114546780A (zh) | 数据监控方法、装置、设备、系统及存储介质 | |
| CN113988507A (zh) | 一种输变电运行设备预警方法及装置 | |
| CN113342619A (zh) | 日志监控方法、系统、电子设备及可读介质 | |
| CN115544202A (zh) | 告警处理方法、装置及存储介质 | |
| CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
| CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
| CN113537519A (zh) | 一种识别异常设备的方法和装置 |
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 |