CN113128111A - 特高压电路中运行参数的诊断方法及诊断装置 - Google Patents

特高压电路中运行参数的诊断方法及诊断装置 Download PDF

Info

Publication number
CN113128111A
CN113128111A CN202110391086.5A CN202110391086A CN113128111A CN 113128111 A CN113128111 A CN 113128111A CN 202110391086 A CN202110391086 A CN 202110391086A CN 113128111 A CN113128111 A CN 113128111A
Authority
CN
China
Prior art keywords
algorithm
data
operating parameters
parameters
training
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
Application number
CN202110391086.5A
Other languages
English (en)
Inventor
乔柱桥
陈图腾
杨启宾
李祥斌
柳坤
张启浩
王玉俊
吴斌
黄睿
任君
向光良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Kunming Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming Bureau of Extra High Voltage Power Transmission Co filed Critical Kunming Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110391086.5A priority Critical patent/CN113128111A/zh
Publication of CN113128111A publication Critical patent/CN113128111A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种特高压电路中运行参数的诊断方法及诊断装置，获取历史运行参数；将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；将样本数据注入算法参数类；通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。实现根据运行参数计算关键参数值的功能，保证参数标准曲线与运行参数的对应性，实现高效获取关键参数信息。

Description

特高压电路中运行参数的诊断方法及诊断装置
技术领域
本发明涉及诊断装置领域，具体地，涉及一种特高压电路中运行参数的诊断方法及诊断装置。
背景技术
在特高压电路的运行过程中将产生大量数据，并对大量数据进行监控，比如，换流站中直流电的关键运行参数进行监控，直流关键运行参数看似纷乱繁复，实则互相关联，大部分仅做阈值判断，数据利用度低，无法直观提前发现隐蔽却重要的异常。
发明内容
本发明的目的在于提供一种特高压电路中运行参数的诊断方法及诊断装置。
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，本发明提供一种特高压电路中运行参数的诊断方法，包括：
获取历史运行参数；
将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；
将实时数据注入算法参数类；
通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。根据本公开的一方面，
提供了一种特高压电路中运行参数的诊断装置，包括：
获取模块，用于获取历史运行参数；
训练模块，用于将各所述历史运行参数输入至参数类中，经由训练模块训练历史数据形成算法模型；
实时模块，用于实时获取运行参数并输入至参数类。
预测模块，用于通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。
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。
提供了一种电子装置，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，获取历史运行参数；将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；将样本数据注入算法参数类；通过BP 神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。实现根据运行参数计算关键参数值的功能，保证参数标准曲线与运行参数的对应性，实现高效获取关键参数信息。
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，显而易见地，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示出的结构获得其他的附图。
图1是根据—示例性实施例示出的一种特高压电路中运行参数的诊断方法的流程图；
图2是根据—示例性实施例示出的将所述获取历史运行参数的流程示意图。
图3是根据—示例性实施例示出的基于所述将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型的流程示意图。
图4是根据—示例性实施例示出的所述将实时数据注入算法参数类的流程图。
图5是根据—示例性实施例示出的通过BP神经网络算法与时间序列，计算 UDH与UDM参数的值与预测值流程图。
图6是根据—示例性实施例示出的模型自动优化流程图。
图7是根据—示例性实施例示出的一种特高压电路中运行参数的诊断装置模块图。
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。
在现有技术中，在特高压电路的运行过程中将产生大量数据，并对大量数据进行监控，比如，换流站中直流电的关键运行参数进行监控，大量的监控数据仅参考上下阈值范围进行判断，无法深度挖掘数据背后潜在的内在联系。
在换流站直流系统运行过程中将产生大量数据，按照直流输电原理，以下参数存在某种联系：极直流功率、极直流电压、换流变开关挡位、换流变有无功率、阀组点火角、换流变电压、换流变电流、换流变有无功率、直流母线输出电流、接地电阻、接地电流。针对换流站直流输电的关键运行参数，提出了一种基于大数据的直流电压经典模型算法。
根据本公开的一个实施例，提供了一种特高压电路中运行参数的诊断方法，如图1所示，该特高压电路中运行参数的诊断方法,包括：
步骤S1、获取历史运行参数；
步骤S2、将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；
步骤S3、将实时数据注入算法参数类；
步骤S4、通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。
在在本发明的一些实施例中，获取历史运行参数；将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；将样本数据注入算法参数类；通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。实现根据运行参数计算关键参数值的功能，保证参数标准曲线与运行参数的对应性，实现高效获取关键参数信息。
下面对这些步骤进行详细描述。
在步骤S1中，获取历史运行参数，如图2所示。
其中，步骤S1包括：
步骤S11，获取所述历史参数；
获取历史运行参数，历史运行参数为数据库中的历史数据表中的数据，也可以是Excel表格中的数据，但并不限于此。
步骤S12，将历史数据注入参数类；
运行参数可以是极直流功率、极直流电压、换流变开关挡位、换流变有无功率、阀组点火角、换流变电压、换流变电流、换流变有无功率、直流母线输出电流、接地电阻、接地电流，但不限于此。将运行参数通过set方法注入参数类。
步骤S13，数据预处理(归一化处理)；
通过算法的数据预处理函数进行运行参数的预处理(归一化处理)。
步骤S14，形成归一化数据集。
在系统内存中形成归一化数据集。
在步骤S2中，将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，序列化永久保存算法模型，如图3所示。
其中，步骤S2包括：
步骤S21、使用S14步骤中产生的归一化数据集；
对所述归一化数据集按照时间序列进行排序，保证归一化数据集的分析能够按照预设的顺序进行分析，保证数据集分析的顺序性。
步骤S22、获取训练参数并基于步骤S21的数据进行数据集样本训练；
算法使用训练参数启动学习模块，学习数据集样本中的数据，得到一个算法的模型类，这个模型类即为运行参数异常综合诊断算法函数。
步骤S23、形成基于步骤S22的算法模型类，形成算法模型实例；
步骤S24、序列化永久保存算法模型，将算法模型序列化至本地硬盘进行永久保存，方便下次使用。
在步骤S3中，将数据样本注入算法类，如图4所示。
其中，步骤S3包括：
步骤S31、实时数据库；
实时数据库中存放着实时的运行参数。
步骤S32、经过接口将参数数据取出；
从实时数据库中获取实时运行参数数据作为数据样本。
步骤S33、将参数数据注入参数类；
基于步骤S32中的样本数据，通过set方法将样本数据注入参数类。
步骤S34、带实时数据的参数类；
基于步骤S33中的参数类，形成带实时数据的参数类，供下一步算法计算提供数据源。
在步骤S4中，通过BP神经网络算法、历史时间序列与算法参数类，计算运行参数参数的值与预测值，如图5所示。
其中，步骤S4包括：
步骤S41、获取S34中产生的参数类、S24中产生的算法模型。
步骤S42、将S41中的参数与模型注入BP神经网络隐藏层中，运行神经网络算法计算参数类中的数据。
步骤S43、运行参数算法计算值、预测值；
获取运行参数的算法计算值与算法预测值，用于对比实际运行参数与算法计算的运行参数。
步骤S44、运行参数权重值；
获取运行参数权重值，用于辅助判断运行参数的异常状态。
另外此算法拥有模型自动优化功能，如图6所示：
步骤S51、获取算法模型、注入历史数据；
获取步骤S24中保存的算法模型，注入历史数据按照S1步骤执行。
步骤S52、数据集样本训练；
按照S2步骤执行。
步骤S53、算法模型类，步骤S54、序列化永久保存算法模型；
步骤S52形成的算法模型将替换掉已经序列化保存的算法模型，下次获取模型时将使用新模型。
诊断装置模块图，如图7所示：
获取模块，用于获取运行参数；
训练模块，用于将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型
实时模块，将样本数据注入算法参数类
预测模块，通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。
另外，所述特高压电路中运行参数的诊断方法，还包括：
各所述运行参数中的标志位分别与对应的所述参数标准曲线对比；
判断各所述运行参数中的标志位在同一坐标系上与所述参数标准曲线的距离；
，将各关键参数保存至本算法专用指纹数据库，定期通过更新指纹数据库。
另外，将分析出的结果存储至本算法专用历史数据库，方便运维人员查看历史结果数据。
可以将分析过程、分析的数据、分析结果、分析结论整合为可数据可视化元素，进行过程及结果展示。
另外，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。一种电子装置，包括存储器，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，获取历史运行参数；将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；将样本数据注入算法参数类；通过BP 神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。实现根据运行参数计算关键参数值的功能，保证参数标准曲线与运行参数的对应性，实现高效获取关键参数信息。
还有的是，通过程序对数据的高敏感度、高处理速度、高利用率对数据进行深度挖掘，发现数据潜在的变化最终实现对数据的精细化处理，及时发现数据异常，提醒运维人员及时处理，减少人为判断时间，提高数据分析工作效率。
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。

Claims (9)

1.一种特高压电路中运行参数的诊断方法，包括：
获取历史运行参数；
将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型；
将实时数据注入算法参数类；
通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。
2.如权利要求1所述的特高压电路中运行参数的诊断方法，其特征在于，所述获取历史运行参数，包括：
获取所述历史运行参数的数据；
将所有的历史数据注入参数类中，进行数据预处理且数据归一化处理。
3.如权利要求2所述的特高压电路中运行参数的诊断方法，其特征在于，所述将历史运行参数输入到算法程序中，程序通过历史运行参数做神经网络训练形成算法模型，永久序列化保存算法模型，包括：
基于所述历史数据，经过数据预处理且数据归一化处理；
将处理过后的数据按时间顺序1-2-2-3-3-4注入预先定义的学习模型中，进行数据样本训练；
训练结束后生成训练学习模型，该模型存于内存中；
我们可以通过调整训练参数对算法的训练进行干预使得模型更符合实际情况。
4.如权利要求1所述的特高压电路中运行参数的诊断方法，其特征在于，所述将实时数据注入算法参数类，包括：
从数据库获取实时数据或主系统调用接口将数据传输至算法参数类。
5.如权利要求1所述的特高压电路中运行参数的诊断方法，其特征在于，所述通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值，包括：
系统获取训练模型数据与实时数据；
上述两种数据注入神经网络算法模型中，数据由输入层流向隐藏层，最终通过输出层将结果输出；
神经网络算法对输入的实时数据进行权重分析，对影响UDH与UDM正常的参数通过权重输出出来。
6.如权利要求1所述的特高压电路中运行参数的诊断方法，其特征在于，所述特高压电路中运行参数的诊断方法，还包括：
算法模型根据历史数据数量的增加进而更新，使得模型越来越完善。
7.一种特高压电路中运行参数的诊断装置，其特征在于，包括：
获取模块，用于获取历史运行参数；
训练模块，用于将各所述历史运行参数输入至参数类中，经由训练模块训练历史数据形成算法模型；
实时模块，用于实时获取运行参数并输入至参数类；
预测模块，用于通过BP神经网络算法与时间序列，计算UDH与UDM参数的值与预测值。
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。
CN202110391086.5A 2021-04-12 2021-04-12 特高压电路中运行参数的诊断方法及诊断装置 Pending CN113128111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110391086.5A CN113128111A (zh) 2021-04-12 2021-04-12 特高压电路中运行参数的诊断方法及诊断装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110391086.5A CN113128111A (zh) 2021-04-12 2021-04-12 特高压电路中运行参数的诊断方法及诊断装置

Publications (1)

Publication Number Publication Date
CN113128111A true CN113128111A (zh) 2021-07-16

Family

ID=76776042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110391086.5A Pending CN113128111A (zh) 2021-04-12 2021-04-12 特高压电路中运行参数的诊断方法及诊断装置

Country Status (1)

Country Link
CN (1) CN113128111A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874511A (zh) * 2017-03-06 2017-06-20 云南电网有限责任公司电力科学研究院 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库
CN107992665A (zh) * 2017-11-27 2018-05-04 国家电网公司 一种特高压换流站交流滤波器在线故障诊断分析方法
CN110163410A (zh) * 2019-04-08 2019-08-23 国网信通亿力科技有限责任公司 一种基于神经网络-时间序列的线损电量预测方法
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
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN112115636A (zh) * 2020-08-18 2020-12-22 国网山东省电力公司经济技术研究院 一种电力电缆绝缘老化寿命超前预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874511A (zh) * 2017-03-06 2017-06-20 云南电网有限责任公司电力科学研究院 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库
CN107992665A (zh) * 2017-11-27 2018-05-04 国家电网公司 一种特高压换流站交流滤波器在线故障诊断分析方法
CN110163410A (zh) * 2019-04-08 2019-08-23 国网信通亿力科技有限责任公司 一种基于神经网络-时间序列的线损电量预测方法
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
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN112115636A (zh) * 2020-08-18 2020-12-22 国网山东省电力公司经济技术研究院 一种电力电缆绝缘老化寿命超前预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨建华 等: "基于改进PSO优化的RBF神经网络的特高压线损预测", 《广东电力》 *

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112231493A (zh) 基于知识图谱的机房故障诊断方法、装置、设备及介质
CN110941725A (zh) 一种基于知识图谱的水电机组故障诊断方法及系统
CN111435366A (zh) 设备故障诊断方法、装置和电子设备
CN105590146A (zh) 一种基于大数据的电厂设备智能预测检修方法和系统
CN110765699B (zh) 一种压裂装备作业时健康状态的评估方法及装置
CN109917200B (zh) 列车牵引变流器故障诊断方法、系统、设备及存储介质
SE542335C2 (en) Method and system for vehicle analysis
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN110321947A (zh) 一种基于卷积神经网络的用电异常预判方法
CN114298679A (zh) 基于大数据的工业ai平台及其应用方法、介质及电子设备
CN111160393B (zh) 基于数据驱动的运载火箭健康评估模型模块化建模方法
CN109507992A (zh) 一种机车制动系统部件的故障预测方法、装置及设备
CN110264055B (zh) 部件危害性评估方法、装置、设备及计算机可读存储介质
CN112069666A (zh) 一种基于概率潮流法的电网短期可靠性评估方法
CN113536921B (zh) 一种电弧焊接质量评估方法、装置及存储介质
CN102682212B (zh) 机电类产品的一种可靠性度量方法
CN113128111A (zh) 特高压电路中运行参数的诊断方法及诊断装置
CN114076841A (zh) 基于用电信息数据的窃电行为识别方法及系统
CN116383606B (zh) 一种分布式医疗设备的恒流温度采集方法及系统
CN115796231B (zh) 一种时态分析的超短期风速预测方法
CN105760672B (zh) 一种机械设备故障诊断方法
CN110633569A (zh) 基于隐马尔科夫模型的用户行为与实体行为分析方法
CN113780403B (zh) 一种油井示功图故障诊断解释方法及装置
CN113807027B (zh) 一种风电机组健康状态评估模型、方法及系统

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: 20210716

RJ01 Rejection of invention patent application after publication