CN113240158B - 一种状态预测方法和电子设备 - Google Patents
一种状态预测方法和电子设备 Download PDFInfo
- Publication number
- CN113240158B CN113240158B CN202110447817.3A CN202110447817A CN113240158B CN 113240158 B CN113240158 B CN 113240158B CN 202110447817 A CN202110447817 A CN 202110447817A CN 113240158 B CN113240158 B CN 113240158B
- Authority
- CN
- China
- Prior art keywords
- preset
- state
- type
- data
- state parameter
- 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.)
- Active
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种状态预测方法和电子设备,该方法包括:利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据;根据每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重;利用每种预设预测算法,分别预测在下一个时刻时预设器件的每类状态参量所分别对应的预测值;根据调整后的每种预设预测算法所分别对应的权重,对每类状态参量所分别对应的预测值进行调整;根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,作为预设器件下一个时刻时的状态。本发明进一步提升了预设器件状态预测的预测精度,提高了预设器件状态预测的准确率。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种状态预测方法和电子设备。
背景技术
在电力系统技术领域,SF6断路器是很常见的器件。SF6断路器利用SF6气体为绝缘介质和灭弧介质的无油化开关器件,其绝缘性能和灭弧特性都大大高于油断路器。作为电力系统的关键设备之一,SF6断路器的运行状态直接关系到电力系统能否安全稳定地运行。当其在运行过程中发生故障时,会导致电力系统供电中断,下游负荷失电,严重的情况下甚至会导致设备损毁,增加了维修周期,甚至给现场工作人员造成人身威胁。因此,需要在线实时预测各类器件的状态,尤其是SF6断路器的状态,以及时提醒操作人员对器件进行检修,降低器件的故障概率,从而提高电力系统运行可靠性,进一步指导器件的状态调整工作。
近年来,神经网络、支持向量机等人工智能算法在电力系统领域的推广和应用为SF6断路器状态预测提供了支持。通过选取合适的历史数据作为人工智能算法的训练集和测试集,经过训练训练集和测试集后得到预测模型,再根据该预测模型对未来某时刻的状态参量信息进行预测并得到预测结果,基于预测结果判断断路器的工作状态。但是,不同的人工智能算法其性能不同,且其预测精度容易受到数据样本的影响。此外,基于现有技术手段中所采集的历史数据中可能有部分数据因各种随机因素而出现异常,进一步降低了预测算法的精度。并且,断路器在线监测信息庞杂,现有技术中将其分别进行处理,并未考虑到不同参量信息之间存在一定的关联性,而仅依靠单一参量预测断路器的工作状态存在较大的局限性。
发明内容
针对现有技术中无法实时预测SF6断路器工作状态,或者直接在异常数据的基础上进行预测且仅依靠单一状态参量预测断路器的工作状态的缺点,本发明提供一种状态预测方法和电子设备。
本发明所提供的一种状态预测方法的技术手段如下:
利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据;
根据所述每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重;
利用每种预设预测算法,分别预测在下一个时刻时所述预设器件的每类状态参量所分别对应的预测值;
根据调整后的每种预设预测算法所分别对应的权重,对所述每类状态参量所分别对应的预测值进行调整;
根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,作为所述预设器件下一个时刻时的状态。
本发明的一种状态预测方法的有益效果如下:
通过每种预设预测算法的权重对每类状态参量所分别对应的预测值进行调整,达到了结合并充分利用每种预设预测算法的优势,和现有技术相比,进一步提升了预设器件下一个时刻的状态预测的预测精度;根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,充分考虑了不同状态参量数据之间存在的一定的关联性,突破了仅根据单一状态参量数据进行预设器件的状态预测的局限性,提高了预设器件状态预测的准确率。
在上述方案的基础上,本发明的一种状态预测方法还可以做如下改进。
进一步,所述根据所述每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重,包括:
根据每类状态参量的历史数据和每类状态参量的预测数据,计算每种预设预测算法的每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数;
根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数,得到每种预设预测算法的每类状态参量所分别对应的信息熵,并根据所有信息熵得到评判结果;根据所述评判结果调整所述每种预设预测算法所分别对应的权重。
采用上述进一步方案的有益效果是:通过每类状态参量的历史数据和每类状态参量的预测数据,得到每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数后,进一步得到每种预设预测算法的每类状态参量所分别对应的信息熵,根据信息熵实现对每种预设预测算法所分别对应的权重的调整,以至于更好地达到了结合每种预设预测算法的优势。
进一步,还包括:所述根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数得到每类状态参量所分别对应的信息熵,包括:
利用第一公式计算第i种预设预测算法中第q类状态参量的平方和误差SSEqi;
利用第二公式计算第i种预设预测算法中第q类状态参量的平均绝对误差MAEqi;
利用第三公式计算第i种预设预测算法中第q类状态参量的均方误差MSEqi;
利用第四公式计算第i种预设预测算法中第q类状态参量的决定系数R2 qi;
利用第五公式计算第i种预设预测算法中第q类状态参量的信息熵eqj;
NUM为将每类状态参量所分别对应的历史数据所划分的组数,yqnum为第q类状态参量的第num组数据的历史数据,为第i种预设预测算法对第q类状态参量的第num组数据的预测数据,为第i种预设预测算法的第q类状态参量的NUM组测试数据的平均值;
c=(lnm)-1;
当j=1时,Nqi1表示第i种预设预测算法中第q类状态参量归一化后平方和误差;当j=2时,Nqi2表示第i种预设预测算法中第q类状态参量归一化后平均绝对误差;当j=3时,Nqi3表示第i种预设预测算法中第q类状态参量归一化后均方误差;当j=4时,Nqi4表示第i种预设预测算法中第q类状态参量归一化后决定系数;m表示预设预测算法的种类的总数量。
进一步,还包括:所述根据调整后的每种预设预测算法所分别对应的权重,对所述每类状态参量所分别对应的预测值进行调整,包括:
利用第六公式计算第i种预设预测算法中下一个时刻所述预设器件的第q类状态参量所对应的权重ωqi;
利用第七公式预测在下一个时刻时所述预设器件的第q类状态参量所对应的预测值;
进一步,还包括:所述利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据,包括:
根据预设比例从所有历史数据中随机选取部分历史数据作为训练数据,将剩余的历史数据作为测试数据;
将所述训练数据分别输入至少三种预设预测算法,进行所述预设预测算法的算法训练;将所述测试数据分别输入至少三种预设预测算法,得到所述预设器件的每类状态参量的历史数据所分别对应的预测数据。
进一步,还包括:所述预设器件的每类状态参量的历史数据,包括:
检测所述预设器件每类状态参量的历史数据,筛选出异常历史数据;
利用任一预设预测算法将所述异常历史数据中非设备故障引起的异常历史数据进行修正,得到修正数据,并用所述修正数据对应替换所述历史数据中非设备故障引起的异常历史数据。
采用上述进一步方案的有益效果是:克服了现有技术中直接采用历史数据的弊端,将非设备故障引起的异常历史数据进行修正后再输入预设预测算法,进一步提升了预设预测算法的精度。
进一步,得到所述非设备故障引起的异常历史数据的过程,包括:
获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对;
根据所述异常历史数据产生的时刻,从所述所有具有强相关关系的状态参量对中,判断与所述异常历史数据具有强相关关系的状态参量是否也存在异常,若否,则所述异常数据为非设备故障引起的异常数据。
进一步,所述获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对,包括:
将所述预设器件的每类状态参量所分别对应的历史数据均离散成布尔型数据;
利用第八公式计算所述每两类状态参量之间的支持度Psupport;
利用第九公式计算所述每两类状态参量之间的置信度Pconfidence;
利用第十公式计算每两类状态参量数据之间的关联度Prelation;
将大于第一预设值的关联度所对应的两类状态参量确定为具有强相关关系的状态参量对,得到所有具有强相关关系的状态参量对;
其中,第八公式为:Psupport=P(A∪B);
第九公式为:Pconfidence=P(B|A);
第十公式为:Prelation=∑∑Psupport×Pconfidence;
A和B为任意两类状态参量对应的布尔型数据。
采用上述进一步方案的有益效果是:进一步考虑了不同状态参量信息之间存在的一定的关联性,提高了预设器件状态预测的准确率。
进一步,所述预设器件为SF6断路器。
本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现上述任一项所述的一种状态预测方法的步骤。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的一种状态预测方法的步骤示意图;
图2为本发明实施例的一种电子设备的结构示意图。
具体实施方式
如图1所示,本发明实施例的一种状态预测方法,包括如下步骤:
S1、利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据;
S2、根据所述每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重;
S3、利用所述每种预设预测算法,分别预测在下一个时刻时所述预设器件的每类状态参量所分别对应的预测值;
S4、根据调整后的每种预设预测算法所分别对应的的权重,对所述每类状态参量所分别对应的预测值进行调整;
S5、根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,作为所述预设器件下一个时刻时的状态。
较优地,所述预设器件的每类状态参量的历史数据,包括:
检测所述预设器件每类状态参量所分别对应的历史数据,筛选出异常历史数据;
利用任一预设预测算法,将所述异常历史数据中非设备故障引起的异常历史数据进行修正,得到修正数据,并用所述修正数据对应替换所述历史数据中非设备故障引起的异常历史数据。
其中,若得到的修正数据与异常历史数据中非设备故障引起的异常历史数据处于误差允许范围之内,则不需要将所述修正数据对应替换所述历史数据中非设备故障引起的异常历史数据。
举例解释为:若筛选出的非故障设备引起的异常历史数据为2021年3月2日SF6断路器的H2O含量为61%,且通过BP算法预测出2021年3月2日SF6断路器的H2O含量为67%,且规定的误差范围为0%~3%,则用67%替换为2021年3月2日SF6断路器的H2O含量,并用替换后的2021年3月2日SF6断路器的H2O含量作为所述每类状态参量所分别对应的历史数据。
较优地,得到所述非设备故障引起的异常历史数据的过程,包括:
获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对;
根据所述异常历史数据产生的时刻,从所述所有具有强相关关系的状态参量对中,判断与所述异常历史数据具有强相关关系的状态参量是否也存在异常,若否,则所述异常数据为非设备故障引起的异常数据。
较优地,所述获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对,包括:
将所述预设器件的每类状态参量的历史数据均离散成布尔型数据;
利用第八公式计算所述每两类状态参量之间的支持度Psupport;
利用第九公式计算所述每两类状态参量之间的置信度Pconfidence;
利用第十公式计算每两类状态参量数据之间的关联度Prelation;
将大于第一预设值的关联度所对应的两类状态参量确定为具有强相关关系的状态参量对,得到所有具有强相关关系的状态参量对;
其中,第八公式为:Psupport=P(A∪B);
第九公式为:Pconfidence=P(B|A);
第十公式为:Prelation=∑∑Psupport×Pconfidence;
A和B为任意两类状态参量对应的布尔型数据。
其中,第一预设值通常设置为0.5,且第一预设值的设置可以由该领域的专家根据实际情况做出调整。举例解释为:若选取的是SF6断路器的H2O含量和HF含量、H2O含量和SO2含量、HF含量和SO2含量,分别得到的关联度为0.8、1.5和0.39,则SF6断路器的H2O含量和SO2含量、HF含量和SO2含量都为具有强相关关系的状态参量对。
其中,将所述预设器件的每类状态参量的历史数据均离散成布尔型数据的过程为:根据历史数据的采样频率,将所述预设器件的每类状态参量的历史数据划分为N个子序列,线性拟合每个子序列所对应的历史数据,根据线性拟合后的子序列所对应的历史数据得到该子序列的斜率,并对得到的每个子序列的斜率进行标准化计算,使得所述每个子序列的斜率均处于[-1,1],将[-1,1]划分8等份:[-1,-0.75]、(-0.75,-0.5]、(-0.5,-0.25]、(-0.25,0]、(0,0.25]、(0.25,0.5]、(0.5,0.75]、(0.75,1],相应地,则子序列的斜率可以划分为8类,如表1所示,则将所述预设器件的每类状态参量的历史数据均离散成了布尔型数据,将每类状态参量的子序列的斜率都用对应的符号所表示:
表1
较优地,所述利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据,包括:
根据预设比例从所有历史数据中随机选取部分历史数据作为训练数据,将剩余的历史数据作为测试数据;
将所述训练数据分别输入至少三种预设预测算法,进行所述预设预测算法的算法训练;将所述测试数据分别输入至少三种预设预测算法,得到所述预设器件的每类状态参量的历史数据所分别对应的预测数据。
常见地,预设比例设置为80%。
较优地,所述预设器件为SF6断路器。
具体地,以预设器件为SF6断路器进行示例解释。且采用的预设预测算法至少包括:误差反向传播(ErrorBack Proragation,简称BP)算法、径向基函数神经网络(RadialBasis Function,简称RBF)算法、支持向量机(简称SVM)算法。
其中,SF6断路器的状态参量包括:H2O含量、HF含量、SO2含量、H2S含量、直流电阻和触头温度。而每类状态参量的历史数据为时间序列形式,即将同一统计指标的数值按其发生的时间先后顺序排列。如:将2021年4月1日的前31天作为历史数据的采样时间,若将采样频率设置为1次/天,则2021年3月1日至2021年3月31日的每一天都需要在同一时刻对SF6断路器的H2O含量、HF含量、SO2含量、H2S含量、直流电阻和触头温度分别进行测量并记录,然后按照采样时间进行顺序排列,分别得到H2O含量、HF含量、SO2含量、H2S含量、直流电阻和触头温度的历史数据。
上文所述每类状态参量的历史数据所分别对应的预测数据,举例解释为:若2021年3月1日H2O含量为65%,2021年3月2日H2O含量为61%;若通过预设预测算法预测出2021年3月1日H2O含量为67%,2021年3月2日H2O含量为63%,则H2O含量的历史数据中在3月1日和3月2日的历史采样值65%和61%所分别对应的预测数据中的预测数据值67%和63%。
较优地,所述根据所述每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重,包括:
根据每类状态参量的历史数据和每类状态参量的预测数据,计算每种预设预测算法的每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数;
根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数,得到每种预设预测算法的每类状态参量所分别对应的信息熵,并根据所有信息熵得到评判结果;根据所述评判结果调整所述每种预设预测算法所分别对应的权重。
其中,信息熵越小,则表示该种预设预测算法对该类状态参量的预测效果越好。举例解释为:若采用BP算法、RBF算法、SVM算法分别对SF6断路器的H2O含量进行预测后,得到的信息熵分别为0.8、1.2、0.99,则这三类预设预测算法中,BP算法对SF6断路器的H2O含量的预测效果最好,RBF算法对SF6断路器的H2O含量的预测效果最差。
较优地,所述根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数得到每类状态参量所分别对应的信息熵,包括:
利用第一公式计算第i种预设预测算法中第q类状态参量的平方和误差SSEqi;
利用第二公式计算第i种预设预测算法中第q类状态参量的平均绝对误差MAEqi;
利用第三公式计算第i种预设预测算法中第q类状态参量的均方误差MSEqi;
利用第四公式计算第i种预设预测算法中第q类状态参量的决定系数R2 qi;
利用第五公式计算第i种预设预测算法中第q类状态参量的信息熵eqj;
NUM为将每类状态参量所分别对应的历史数据所划分的组数,yqnum为第q类状态参量的第num组数据的历史数据,为第i种预设预测算法对第q类状态参量的第num组数据的预测数据,为第i种预设预测算法的第q类状态参量的NUM组测试数据的平均值;
当j=1时,Nqi1表示第i种预设预测算法中第q类状态参量归一化后平方和误差;当j=2时,Nqi2表示第i种预设预测算法中第q类状态参量归一化后平均绝对误差;当j=3时,Nqi3表示第i种预设预测算法中第q类状态参量归一化后均方误差;当j=4时,Nqi4表示第i种预设预测算法中第q类状态参量归一化后决定系数;m表示预设预测算法的种类的总数量。
较优地,所述根据调整后的每种预设预测算法所分别对应的权重,对所述每类状态参量所分别对应的预测值进行调整,包括:
利用第六公式计算第i种预测算法中下一个时刻所述预设器件的第q类状态参量所对应的权重ωqi;
利用第七公式预测在下一个时刻时所述预设器件的第q类状态参量所对应的预测值;
具体地,上文所述根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,作为所述预设器件下一个时刻时的状态,以SF6断路器进行示例讲解为:
SF6断路器的常见故障包括但不限于:SF6漏气、含水量超标、接触电阻超标和重燃,而这些故障可以通过SF6断路器的H2O含量、HF含量、SO2含量、H2S含量、直流电阻和触头温度所体现,此处统称HF含量、SO2含量、H2S含量为气体含量。且SF6断路器的每类故障类型分别对应的状态参量如表2所示:
表2
每类状态参量的编号如表3所示:
表3
其中,根据所有调整后的预测值得到评分的过程为:
S10、得到Tc、Iq的值;
其中,Tc为第c类故障出现的次数,Iq为第q类状态参量发生异常的次数;得到所述状态参量发生异常的次数的过程为:判断任一类状态参量的历史数据中的某个历史采样值是否大于该历史采样值对应的第二预设值,若是,则该状态参量记为发生一次异常,若否,则该状态参量记为未发生异常一次;
S20、根据第十一公式计算所述第c类故障与第q类状态参量发生异常事件之间的支持度Sqc;根据第十二公式计算所述第c类故障与第q类状态参量发生异常事件之间的置信度Cqc;
P(Fc)为第c类故障发生的概率且P(Fc)=Tc/状态统计的总次数,P(Xq)为第q类状态参量发生异常的概率且P(Xq)=Iq/状态统计的总次数,所述状态统计的总次数包括每类状态参量发生异常的次数和未发生异常的次数;
S30、根据第十三公式计算第c类故障中第q类状态参量所占的权重;
S40、根据第十四公式计算第c类故障在SF6断路器状态预测中的评分;
Q为状态参量数目且Q=6,xqz为第q类状态参量的第二预设值,xqs为第q类状态参量的历史数据中的首个历史采样值,xq为第q类状态参量的下一个时刻时的预测值;
S50、根据第十五公式计算第c类故障评分在SF6断路器状态预测中所占权重。
S60、根据第十六公式计算所述SF6断路器的评分;
其中,第二预设值的选取根据实际情况设置。
其中,SF6断路器的预设状态预测评分表如表4所示:
表4
在上述各实施例中,虽然对步骤进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图2所示,本发明实施例的一种电子设备200,包括存储器210、处理器220及存储在所述存储器上并在所述处理器上运行的程序230,所述处理器220执行所述程序230时实现上述任意一种状态预测方法实施例中的部分或全部步骤。
所述电子设备可以是任何一种用户进行人机交互的电子产品,例如,个人计算机、平板电脑、个人数字助理(PDA,Personal Digital Assistant)、交互式网络电视(IPTV,Internet Protocal Television)、智能式穿戴式设备等,且上述关于本发明的一种电子设备中的各参数和步骤,可参考上文中一种监控数据的方法的实施例中的各参数和步骤,在此不做赘述。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VPN,Virtual Private Network)等。
读者应理解,在本说明书的描述中,参考术语“第一种实施例”、“第二种实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的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。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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)执行本发明各个实施例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。
还应理解,在本发明各实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种状态预测方法,其特征在于,包括:
利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据;
根据所述每类状态参量的历史数据和每类状态参量的预测数据,调整每种预设预测算法所分别对应的权重,具体包括:
根据每类状态参量的历史数据和每类状态参量的预测数据,计算每种预设预测算法的每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数;
根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数,得到每种预设预测算法的每类状态参量所分别对应的信息熵,并根据所有信息熵得到评判结果;根据所述评判结果调整所述每种预设预测算法所分别对应的权重,其中,所述根据所述每类状态参量所分别对应的平方和误差、平均绝对误差、均方误差和决定系数,得到每种预设预测算法的每类状态参量所分别对应的信息熵,包括:
利用第一公式计算第i种预设预测算法中第q类状态参量的平方和误差SSEqi;
利用第二公式计算第i种预设预测算法中第q类状态参量的平均绝对误差MAEqi;
利用第三公式计算第i种预设预测算法中第q类状态参量的均方误差MSEqi;
利用第四公式计算第i种预设预测算法中第q类状态参量的决定系数R2 qi;
利用第五公式计算第i种预设预测算法中第q类状态参量的信息熵eqj;
NUM为将每类状态参量所分别对应的历史数据所划分的组数,yqnum为第q类状态参量的第num组数据的历史数据,为第i种预设预测算法对第q类状态参量的第num组数据的预测数据,为第i种预设预测算法的第q类状态参量的NUM组测试数据的平均值;
当j=1时,Nqi1表示第i种预设预测算法中第q类状态参量归一化后平方和误差;当j=2时,Nqi2表示第i种预设预测算法中第q类状态参量归一化后平均绝对误差;当j=3时,Nqi3表示第i种预设预测算法中第q类状态参量归一化后均方误差;当j=4时,Nqi4表示第i种预设预测算法中第q类状态参量归一化后决定系数;m表示预设预测算法的种类的总数量;
利用每种预设预测算法,分别预测在下一个时刻时所述预设器件的每类状态参量所分别对应的预测值;
根据调整后的每种预设预测算法所分别对应的权重,对所述每类状态参量所分别对应的预测值进行调整,具体包括:
利用第六公式计算第i种预设预测算法中下一个时刻所述预设器件的第q类状态参量所对应的权重ωqi;
利用第七公式预测在下一个时刻时所述预设器件的第q类状态参量所对应的预测值;
根据所有调整后的预测值得到评分,并从预设状态预测评分表中获取所述评分对应的状态,作为所述预设器件下一个时刻时的状态。
2.根据权利要求1所述的一种状态预测方法,其特征在于,所述利用至少三种预设预测算法,分别得到预设器件的每类状态参量的历史数据所分别对应的预测数据,包括:
根据预设比例从所有历史数据中随机选取部分历史数据作为训练数据,将剩余的历史数据作为测试数据;
将所述训练数据分别输入至少三种预设预测算法,进行所述预设预测算法的算法训练;将所述测试数据分别输入至少三种预设预测算法,得到所述预设器件的每类状态参量的历史数据所分别对应的预测数据。
3.根据权利要求1所述的一种状态预测方法,其特征在于,所述预设器件的每类状态参量的历史数据,包括:
检测所述预设器件每类状态参量所分别对应的历史数据,筛选出异常历史数据;
利用任一预设预测算法,将所述异常历史数据中非设备故障引起的异常历史数据进行修正,得到修正数据,并用所述修正数据对应替换所述历史数据中非设备故障引起的异常历史数据。
4.根据权利要求3所述的一种状态预测方法,其特征在于,得到所述非设备故障引起的异常历史数据的过程,包括:
获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对;
根据所述异常历史数据产生的时刻,从所述所有具有强相关关系的状态参量对中,判断与所述异常历史数据具有强相关关系的状态参量是否也存在异常,若否,则所述异常数据为非设备故障引起的异常数据。
5.根据权利要求4所述的一种状态预测方法,其特征在于,所述获取所述预设器件的每类状态参量的历史数据,计算每两类状态参量之间的关联度,并得到所有具有强相关关系的状态参量对,包括:
将所述预设器件的每类状态参量所分别对应的历史数据均离散成布尔型数据;
利用第八公式计算所述每两类状态参量之间的支持度Psup port;
利用第九公式计算所述每两类状态参量之间的置信度Pconfidence;
利用第十公式计算每两类状态参量数据之间的关联度Prelation;
将大于第一预设值的关联度所对应的两类状态参量确定为具有强相关关系的状态参量对,得到所有具有强相关关系的状态参量对;
其中,第八公式为:Psup port=P(A∪B);
第九公式为:Pconfidence=P(B|A);
第十公式为:Prelation=∑∑Psup port×Pconfidence;
A和B为任意两类状态参量对应的布尔型数据。
6.根据权利要求1所述的一种状态预测方法,其特征在于,所述预设器件为SF6断路器。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的一种状态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447817.3A CN113240158B (zh) | 2021-04-25 | 2021-04-25 | 一种状态预测方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447817.3A CN113240158B (zh) | 2021-04-25 | 2021-04-25 | 一种状态预测方法和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240158A CN113240158A (zh) | 2021-08-10 |
CN113240158B true CN113240158B (zh) | 2022-11-08 |
Family
ID=77129259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110447817.3A Active CN113240158B (zh) | 2021-04-25 | 2021-04-25 | 一种状态预测方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240158B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
CN109886316A (zh) * | 2019-01-29 | 2019-06-14 | 西安交通大学 | 基于云系相似度权重分配的变压器状态参量组合预测方法 |
CN110942093A (zh) * | 2019-11-22 | 2020-03-31 | 国家电网有限公司 | 一种配电自动化终端状态评价方法 |
CN111522804A (zh) * | 2020-04-15 | 2020-08-11 | 国网江苏省电力有限公司 | 一种变压器设备状态监测异常数据清洗方法 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951997B (zh) * | 2017-03-24 | 2020-11-10 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
-
2021
- 2021-04-25 CN CN202110447817.3A patent/CN113240158B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
CN109886316A (zh) * | 2019-01-29 | 2019-06-14 | 西安交通大学 | 基于云系相似度权重分配的变压器状态参量组合预测方法 |
CN110942093A (zh) * | 2019-11-22 | 2020-03-31 | 国家电网有限公司 | 一种配电自动化终端状态评价方法 |
CN111522804A (zh) * | 2020-04-15 | 2020-08-11 | 国网江苏省电力有限公司 | 一种变压器设备状态监测异常数据清洗方法 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113240158A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452845B2 (en) | Generic framework to detect cyber threats in electric power grid | |
DE102017128693A1 (de) | Merkmal- und Grenzeinstellung zur Bedrohungserkennung in einem industriellen Anlagensteuersystem | |
US11610076B2 (en) | Automatic and adaptive fault detection and classification limits | |
DE102017128694A1 (de) | Mehrfachmodus-Grenzauswahl zur Bedrohungserkennung in einem industriellen Anlagensteuersystem | |
Ahmed et al. | Multivariate online anomaly detection using kernel recursive least squares | |
EP3515038A1 (en) | Autonomous reconfigurable virtual sensing system for cyber-attack neutralization | |
Kushal et al. | Risk-based mitigation of load curtailment cyber attack using intelligent agents in a shipboard power system | |
US20180262525A1 (en) | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid | |
DE102017112042A1 (de) | Bedrohungserrennung und -lokalisierung für überwachungsknoten eines industrieanlagensteuersystems | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
US10598702B2 (en) | Similarity detection of abnormal waveforms using PMU measurement | |
CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
US11343266B2 (en) | Self-certified security for assured cyber-physical systems | |
CN113240158B (zh) | 一种状态预测方法和电子设备 | |
Marsadek et al. | Risk based security assessment of power system using generalized regression neural network with feature extraction | |
CN111415102A (zh) | 基于熵值法的电力监控系统韧性评估方法 | |
CN116559593A (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
CN113922347B (zh) | 一种基于失配度评价指标的接地保护定值优化方法、系统及存储介质 | |
CN115856613A (zh) | 断路器状态评估方法 | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN114460409A (zh) | 基于中性点不平衡数据的电容器监测方法、装置及设备 | |
Chen et al. | The exploration of machine learning for abnormal prediction model of telecom business support system | |
CN112986722A (zh) | 一种船舶岸电故障诊断方法及装置 | |
CN109888338A (zh) | 基于统计的sofc供气故障检测方法及设备 |
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 |