发明内容
本发明的主要目的在于克服现有技术的缺点与不足,本发明提供一种基于大数据融合模型的电力监控系统,所述系统采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,可以完成开关状态监视、模拟量采集、综合保护监控、远程控制、报警管理、曲线棒图分析、报表生成、统计打印、用户管理、事故追忆等多种实用功能,加强了用电可靠性、提高了用电管理效率,提升了供电质量,降低了运行维护成本。
根据本发明的一个方面,本发明提供了一种基于大数据融合模型的电力监控系统,所述系统包括:
现场设备层,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网,通过所述现场设备层的智能设备进行现场数据采集;
通讯管理层,所述通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
系统管理层,所述系统管理层将采集到的数据进行显示、分析、存储;
其中,所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,包括:
式中,
是基准风险函数;
为协变量组成的向量;
为对数部分风险函数;
表示
的参数;X
1, X
2表示不同时刻基准风险函数下的变化
量,Constant表示一个常数;
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)所示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可
得到
;随后通过Breslow估计器求解
。
优选地,所述现场设备层的智能设备包括各种监控仪表、测控单元、继电保护设备、智能直流电源系统、智能柴油发电机组、变压器温控单元及通讯扩展装置;所述通讯管理层的设备包括串口服务器、人机界面HMI、可编程控制器PLC、前端机;所述HMI连接所述PLC,接收输入的参数或操作命令,实现人机信息交互。
优选地,所述系统管理层的设备包括:通讯工作站、监控/备用主机、工程师工作站、网络交换机,所述系统管理层将数据上传至云端服务器,在云端服务器把上传的全部数据信息存入数据库,并通过操作界面和数据处理实现变配电系统的遥信、遥测、遥控、遥调和遥视功能。
优选地,所述系统通过以太网实现与管理信息系统、楼宇自动化系统和火灾报警系统的通讯及信息共享;通过TCP/IP通讯协议实现与供电公司自动化系统的通讯及信息共享。
优选地,所述系统实时或定时采集现场设备的各电参量及开关量状态;所述的电参量和开关量状态包括三相电压、电流、功率、功率因数、频率、电能、温度、开关位置、设备运行状态;所述系统将采集到的数据进行直接显示、或通过统计计算处理后进行显示。
优选地,远程云端处的至少一个服务器,通过Hash与Bit-map算法相融合的方式进行多个远程云端的协同计算。
优选地,所述系统采用多通道冗余设计,对于系统局部出现运行不正常的部件时,所述系统管理层根据接收的修正命令动态停止或重启该部件的功能。
优选地,所述系统自动生成标准的电能报表格式或生成用户根据需求设计的报表格式,所述报表的类型包括实时运行报表、历史报表、事件故障及告警记录报表、操作记录报表,电能的日、月、季、年度报表、电能的费率报表。
另一方面,本发明还提供了一种基于大数据融合模型的电力监控系统,所述系统包括处理器和存储器,所述处理器被配置为执行存储器中存储的指令以实现以下操作:
控制现场设备层的智能设备进行现场数据采集,其中,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网;
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储;
其中,所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,包括:
式中,
是基准风险函数;
为协变量组成的向量;
为对数部分风险函数;
表示
的参数;X
1, X
2表示不同时刻基准风险函数下
的变化量,Constant表示一个常数;
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)
所示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可
得到
;随后通过Breslow估计器求解
。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现以下操作:
控制现场设备层的智能设备进行现场数据采集,其中,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网;
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储;
其中,所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,包括:
式中,
是基准风险函数;
为协变量组成的向量;
为对数部分风险函数;
表示
的参数;X
1, X
2表示不同时刻基准风险函数下的变化
量,Constant表示一个常数;
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)所
示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可
得到
;随后通过Breslow估计器求解
。
采用上述技术方案后,本发明至少具有如下有益效果:
系统具有稳定、可靠、安全、高效、经济、可扩展性强等特点,系统基于分层分布式结构,实现了变配电系统高、低压电气设备分散监控、集中管理功能,使配电系统“透明化”,可真正实现配电室的无人值守,全面提高变配电运行现代化管理水平。系统适用于不同千伏供电系统的自动化监控和管理,可以根据用户需求为电力、楼宇、工厂、金融、电信、交通等领域用户提供个性化的解决方案。
通过参照以下附图及对本发明的具体实施方式的详细描述,本发明的特征及优点将会变得清楚。
具体实施方式
下面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做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。
实施例1
图1为本发明的系统架构图。如图1所示,本发明提供了一种基于大数据融合模型的电力监控系统,所述系统包括:
现场设备层,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网,通过所述现场设备层的智能设备进行现场数据采集。
通讯管理层,所述通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
系统管理层,所述系统管理层将采集到的数据进行显示、分析、存储。
具体地,系统采用整体与分布相结合的架构设计,按不同功能、不同模块区分设计,整个系统分为三层:现场设备层、通讯管理层和系统管理层。
系统现场设备层位于配电室内,现场智能仪表安装在配电柜上,可采集配电室内各回路的电参量,发送到串口服务器。现场设备层采用工业现场总线,将现场设备层智能设备连接组网。现场设备层智能设备包括:各种监控仪表、测控单元、继电保护设备、智能直流电源系统、智能柴油发电机组、变压器温控单元及通讯扩展装置等。如图2中S2.1所示,用于实现对智能开关柜运行监控、高压开关柜带电显示、电流电压等负载运行监控、母线测温监测、电缆测温监测、环境监测、有害气体监测、安防监控、采暖通风、门禁、灯光、风机、除湿机、空调控制功能。
所有监控单元相对独立,按一次设备对应分布式配置,就地安装在开关柜内,监控单元与开关柜融为一体,构成智能化开关柜,经RS485/232通信接口接入现场总线。
通讯管理层位于配电室内,安装于墙上,通讯管理层设备包括串口服务器,负责与现场设备层的智能设备进行通讯,实现数据的采集,集中传向系统管理层。现场设备层与串口服务器采用RS485/232总线连接方式。如图2中S2.2所示,主要完成数据和信息的收集、通讯协议的转换、接收和传送指令,是监控层与管理层之间的媒介。通讯管理层设备包括:串口服务器、前端机、人机界面(HMI)、可编程控制器(PLC);
HMI可连接PLC、变频器、直流调速器、仪表等工业控制设备,利用显示屏显示,通过输入单元(如触摸屏、键盘、鼠标等)写入工作参数或输入操作命令,实现人与机器信息交互,由硬件和软件两部分组成。可实现高效工程组态,以及高性能归档和更高数据安全性,从而显著提高系统控制层的工作效率,这些功能特性是高效运行管理和智能生产分析的基础。
系统管理层位于监控中心室内,如图2中S2.3所示,系统管理层的主机主要负责与串口服务器进行通讯,将采集到的数据进行显示、分析、存储。系统后台,主机与串口服务器之间采用网络通讯形式连接。系统管理层的设备包括:通讯工作站、监控/备用主机、工程师工作站、网络交换机并连接至云端。在云端把采集上传的全部数据信息存入实时数据库,并通过操作界面和强大的数据处理功能实现变配电系统的遥信、遥测、遥控、遥调和遥视五遥功能。
远程云端处的至少一个服务器,通过Hash与Bit-map算法相融合的方式进行多个远程云端的协同计算。
遥信:实时对开关运行状态、保护工作等开关量进行监视。计算机实时显示和自动报警。
遥控:通过计算机屏幕选择相应的站号、开关号、合/分闸等信息,并在屏幕上将选择的开关状态反馈出来,确认后执行,实时记录操作时间、类型、合开关号等。
遥测:通过计算机实时对系统电压、电流、有功功率、无功功率、功率因数、超限报警、频率进行不断地采集、分析、处理、记录、显示曲线、棒图,自动生成报表。
遥调:用于有载变压器的调压升/降。
遥视:用于远方修改分散继电保护装置的定值以及调整各种仪表的工作状态。
现场所有的智能设备通过RS485/232总线接入串口服务器,串口服务器将串口通讯数据转换为网络通讯数据传输,经RJ45口输出,通过网线连接到网络交换机,再经过交换机将数据传入电力监控系统,监控系统将显示现场各智能设备采集到的数据信息。
现场智能设备间用RS485/232进行串联,电缆为RVVP型。现场通讯采集设备供电的220V AC电缆规格为BVR型。
M102马达管理中心可以为低压电动机提供了一整套专业化的集控制、保护与监测于一体的智能化管理方案,各种保护功能已内置在装置中,可根据实际需要进行配置通过设置软件可轻松选择所需的保护功能,可根据保护功能的特点设置为报警并延时脱扣,只报警不脱扣或直接进入延时脱扣保护,通过对保护脱扣复位模式的预先设定,用户可选择故障保护脱扣的复位方式,不同的保护功能具有的复位方式不一样。
所述的系统是基于目前国际通用的OPC技术通过以太网可实现系统与MIS、BAS和FAS等自动化系统的通讯及信息共享,以太网传输速率为1000Mb/s。
所述的系统通过TCP/IP等通讯协议与供电公司自动化系统实现通讯及信息共享。
进一步地,该系统基于集合了高低压开关柜、继电保护装置、智能仪表、电子CT/PT、传感装置等一、二次设备,有效实现实时和定时采集现场设备的各电参量及开关量状态;
所述的电参量和开关量状态包括三相电压、电流、功率、功率因数、频率、电能、温度、开关位置、设备运行状态,将采集到的数据或直接显示、或通过统计计算生成新的直观的数据信息再显示,这些数据信息包括总系统功率、负荷最大值、功率因数上下限等,并对重要的信息量进行数据库存储。
进一步地,系统软件采用多通道冗余设计,在数据传送时不会因为主通道故障而发生传输中断或错误。软件运行时采用容错性设计,软件中的系统控制层始终处于运行状态。对于配置错误或其它原因造成的某个部件运行不正常,系统控制层可以接收中心的修正命令,动态停止或重新启动局部功能,而其它功能运行不受影响。
进一步地,系统具有安全设置,不同用户有不同的权限,一般情况下系统起动后以“甲用户”身份登录,该用户只能浏览画面,要想操作其他功能,必须要有相应的权限,各人有各人的使用权限和密码。改变登录用户的方法是先点“系统注册”按钮,弹出画面。
进一步地,系统具有标准的电能报表格式并可根据用户需求设计符合其需要的报表格式,系统可自动统计。可自动生成各种类型的实时运行报表、历史报表、事件故障及告警记录报表、操作记录报表等,可以依据时间查询和打印系统记录的所有数据值,自动生成电能的日、月、季、年度报表,根据复费率的时段及费率的设定值生成电能的费率报表,查询打印的起点、间隔等参数可自行设置;系统设计还可根据用户需求量身定制满足不同要求的报表输出功能。
进一步地,系统控制层将接收到的数据进行特征值提取,特征值提取具体采用基于深度学习的CoxPH算法。
如图3所示,是基于深度学习的CoxPH算法流程图。
对含有深度神经网络的模型进行训练,参数设置如下:神经网络输入层节点数I=25,隐含层共两层,节点数分别为H=20和H=10,输出层节点数为o=1,神经网络迭代次数T=6000。此处采用C指数模型作为所建立数据的特征值提取的指示值,该值用于对模型准确性进行评估。
CoxPH算法又被称为Cox比例风险模型,该模型对风险函数所具有的形式做了如下假设,如式(1)所示:
式中
是基准风险函数;
为协变量组成的向量;
为对数部分风险函数;
表示
的参数。CoxPH算法的主要假设是:对于
,当协
变量X发生变化,变化前后两个
的比值是一个仅依赖于变化前后X取值而不依赖
于时间的常数,如式(2)所示:
式中,
代表任意两个时间的观察协变量。Cox模型假设多个
的共同影响
可以由
进行刻画,对它们的作用影响进行了综合考虑,在假设符合的条件下可以有
效描述产品的生存函数。
模型的求解过程包含两部分:对
和对
的求解。其中,对
的
求解较为复杂,
求解得出后,即可基于Breslow估计器得到
,Breslow估计器
是用于对生存函数的进一步描述,加入Breslow估计器可简化对
的求解过程,加速
函数解算效率。因此,此处着重说明对
的求解。
由于
事先未定义,因此无法直接使用标准似然函数对预测模型进行拟合。
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)所
示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可
得到
;随后通过Breslow估计器求解
。
该系统运行于Windows系列操作平台,基于大型专业数据库软件SQL SERVER进行操作,具有稳定性高、可靠性好、实时性强、兼容扩展性突出、人机界面友好及易操作维护等许多特点,并可以完成开关状态监视、模拟量采集、综合保护监控、远程控制、报警管理、曲线棒图分析、报表生成、统计打印、用户管理、事故追忆等多种实用功能,从而加强了用电可靠性、提高了用电管理效率,提升了供电质量,降低了运行维护成本。
实施例2
本发明还提供了一种基于大数据融合模型的电力监控系统,所述系统包括处理器和存储器,所述处理器被配置为执行存储器中存储的指令以实现以下操作:
控制现场设备层的智能设备进行现场数据采集,其中,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网;
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储;
其中,所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,包括:
式中,
是基准风险函数;
为协变量组成的向量;
代表任意两个时间的观察协变量。
为对数部分风险函数;
表示
的参数;
Constant表示一个常数;
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)所示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可得到
;随后通过Breslow估计器求解
。
该实施例的具体实施过程与实施例1中的类似,此处不再赘述。
实施例3
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现以下操作:
控制现场设备层的智能设备进行现场数据采集,其中,所述现场设备层采用工业现场总线,将现场设备层的智能设备连接组网;
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储;
其中,所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,包括:
式中,
是基准风险函数;
为协变量组成的向量;
代表任意两个时间的观察协变量。
为对数部分风险函数;
表示
的参数;
Constant表示一个常数;
CoxPH算法中定义了偏似然函数来对
进行计算;将数据按照其生存时间排序
,其中
是个体i的生存时间,则个体i的条件死亡概率如式(3)所
示:
对所有死亡个体的条件概率相乘即有:
式(3)、(4)中
为
时刻内仍然处于观察研究的个体集合;
为不同时
刻的观察协变量;
表示个体i的生存协变量和,从第0个开始求和;
表示j在
集合当中;
对(4)式求取负对数,如式(5)所示:
式(5)中
表示个体i的生存协变量和,从第1个开始求和;
表示不同时刻
的观察协变量;
为
时刻内仍然处于观察研究的个体的对数映射集合;
表示j属于
的对数映射集合中的元素;通过求取令(5)式最小的
,即可
得到
;随后通过Breslow估计器求解
。
该实施例的具体实施过程与实施例1中的类似,此处不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。