CN113708350B - 一种基于云边协同的配电台区重过载异常判断方法及系统 - Google Patents

一种基于云边协同的配电台区重过载异常判断方法及系统 Download PDF

Info

Publication number
CN113708350B
CN113708350B CN202110711676.1A CN202110711676A CN113708350B CN 113708350 B CN113708350 B CN 113708350B CN 202110711676 A CN202110711676 A CN 202110711676A CN 113708350 B CN113708350 B CN 113708350B
Authority
CN
China
Prior art keywords
overload
heavy
load
distribution transformer
distribution area
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
Application number
CN202110711676.1A
Other languages
English (en)
Other versions
CN113708350A (zh
Inventor
张波
刘海涛
周勐
杨红磊
李玉凌
何连杰
孙智涛
许保平
李立生
张林利
樊迪
刘洋
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110711676.1A priority Critical patent/CN113708350B/zh
Publication of CN113708350A publication Critical patent/CN113708350A/zh
Application granted granted Critical
Publication of CN113708350B publication Critical patent/CN113708350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00028—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment involving the use of Internet protocols
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • H02J13/0004—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers involved in a protection system
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y04S10/20—Systems supporting electrical power generation, transmission or distribution using protection elements, arrangements or systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于云边协同的配电台区重过载异常判断方法及系统，其中方法包括：采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将特征数据发送至云端服务器；在云端服务器建立配电台区重过载异常聚类模型，通过配电台区重过载异常聚类模型基于接收到的特征数据对配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将配电台区重过载异常聚类模型的参数发送至边缘侧终端；通过边缘侧终端基于接收到的配电台区重过载异常聚类模型的参数建立重过载异常研判模型；计算边缘侧配电台区的实时特征数据，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断。

Description

一种基于云边协同的配电台区重过载异常判断方法及系统
技术领域
本发明涉及配电台区异常状态研判技术领域，更具体地，涉及一种基于云边协同的配电台区重过载异常判断方法及系统。
背景技术
随着能源储输技术、通信技术、互联网技术等电力工业技术和新一代信息通信技术的不断进步，配电网将向着信息流、电力流、能源流高度融合的开放、智能、柔性、清洁的新型运行模式持续发展。配电网具有规模巨大、结构复杂、不确定的信息较多、智能化程度不够等特征。低压配电台区是配电网的最底层单元，是智能配电网建设的关键元素。随着配电自动化、电能质量监控、用户能效管理等系统的推广应用及成套设备的部署，配电台区产生的异构、多元数据成指数级增长，但这些数据却没有被有效利用和分析，仅简单地经台区终端采集后上送至各系统，无法对供电可靠性和精益化管理的提升产生价值，使得当前的配电台区仅具备配电变压器附近各类电气设备监测功能，从配电变压器出线到用户电之间的低压配电网仍然缺乏智能监测管控手段。
随着深入应用“云大物移智”等先进的配电物联网技术，从本质上可以助推配电网建设、运维、管理水平的提升，实现跨越式发展。配电物联网是传统工业技术与物联网技术深度融合产生的一种新型电力网络形态，通过配电网设备间的全面互联、互通、互操作，具有能量流、信息流与业务流交互耦合的特征，能够实现配电网的全面感知、数据融合和智能应用，满足配电网精益化、智能化管理需求。但是，当前我国配电物联网建设正处于起步阶段，存在以下关键技术挑战：①传感器的覆盖不充分，电网仍存在监测盲区；②数据模型和通信标准没有统一，信息孤岛难以消除；③数据分析智能化程度低，供用电数据价值尚未被有效挖掘；④尚未建立有效的协作模型，多主体间协作机制尚未成熟等。
随着信息技术和物联网的飞速发展，电网提出配电物联网作为配电台区业务的解决方案。配电物联网技术采用“云管边端”架构，云中心负责数据深度挖掘和高级业务的处理，边缘计算终端负责数据采集和就地处理，满足实时业务的延时要求。随着电网数字化转型程度不断加深，配电业务不断涌现新兴业务，云中心无法承载指数增长的配电数据带来的通讯压力，边缘计算终端无法匹配不断更新增长的配电业务计算资源需求。云边协同体系能将原有云计算模型的部分或全部计算任务迁移到网络边缘设备上，降低云计算中心带宽的压力，减缓边缘计算终端的计算资源需求，提高海量数据的处理效率。因此需要研究将配用电业务的云边协同技术，从而提高配用电边缘数据的处理效率，加强边缘计算终端的靠近数据端的优势。
因此，需要一种技术，以实现基于云边协同对配电台区重过载异常进行判断。
发明内容
本发明技术方案提供一种基于云边协同的配电台区重过载异常判断方法及系统，以解决如何基于云边协同对配电台区重过载异常进行判断的问题。
为了解决上述问题，本发明提供了一种基于云边协同的配电台区重过载异常判断方法，所述方法包括：
采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；
在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；
通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断。
优选地，所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。
优选地，包括：
所述负载率特征计算公式为：
其中，max(ia,ib,ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
所述重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
所述过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
所述重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
所述过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
所述重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
所述过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征。
优选地，还包括：将所述特征数据通过JSON格式发送至云端服务器。
优选地，还包括：所述配电台区重过载异常聚类模型通过K-means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。
优选地，所述通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值；
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重。
优选地，还包括：
通过所述边缘侧终端向云端服务器发送所述配电台区重过载异常聚类模型的参数的更新请求；
所述云端服务器基于所述更新请求，请更新后的所述配电台区重过载异常聚类模型的参数发送至所述边缘侧终端；
通过所述边缘侧终端计算更新后的所述配电台区重过载异常聚类模型的参数与现有的所述配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过所述边缘侧终端基于所述偏差结果，确定是否应用更新后的所述配电台区重过载异常聚类模型的参数。
基于本发明的另一方面，本发明提供一种基于云边协同的配电台区重过载异常判断系统，所述系统包括：
初始单元，用于采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；
训练单元，用于在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；
建立单元，用于通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
判断单元，用于计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断。
优选地，所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。
优选地，包括：
所述负载率特征计算公式为：
其中，max(ia,ib,ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
所述重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
所述过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
所述重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
所述过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
所述重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
所述过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征。
优选地，所述初始单元还用于：将所述特征数据通过JSON格式发送至云端服务器。
优选地，所述训练单元还用于：所述配电台区重过载异常聚类模型通过K-means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。
优选地，所述判断单元用于通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值；
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重。
优选地，还包括更新单元，用于：
通过所述边缘侧终端向云端服务器发送所述配电台区重过载异常聚类模型的参数的更新请求；
所述云端服务器基于所述更新请求，请更新后的所述配电台区重过载异常聚类模型的参数发送至所述边缘侧终端；
通过所述边缘侧终端计算更新后的所述配电台区重过载异常聚类模型的参数与现有的所述配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过所述边缘侧终端基于所述偏差结果，确定是否应用更新后的所述配电台区重过载异常聚类模型的参数。
本发明技术方案提供一种基于云边协同的配电台区重过载异常判断方法及系统，其中方法包括：采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将特征数据发送至云端服务器；在云端服务器建立配电台区重过载异常聚类模型，通过配电台区重过载异常聚类模型基于接收到的特征数据对配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将配电台区重过载异常聚类模型的参数发送至边缘侧终端；通过边缘侧终端基于接收到的配电台区重过载异常聚类模型的参数建立重过载异常研判模型；计算边缘侧配电台区的实时特征数据，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断。本发明技术方法提出一种基于云边协同的配电台区重过载异常研判方法，该方明在云端服务器训练出配电台区重过载异常聚类模型的情况下，将聚类模型参数下发到边缘侧终端，由边缘侧终端自动建立研判模型并实施就地研判台区的重过载异常程度，实现云端服务器和边缘侧终端的信息协同、计算资源协同、业务协同，可实时反映该台区的重过载状态；并根据模型更新机制，实现研判模型的动态调整，适应性更强，为配电台区重过载的告警与运行维护提供切实可行的指导意见。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断方法流程图；
图2为根据本发明优选实施方式的一种基于云边协同机制的配电台区重过载异常判断流程图；
图3为根据本发明优选实施方式的认证登录流程图；
图4为根据本发明优选实施方式的特征数据发布云端流程图；
图5为根据本发明优选实施方式的聚类模型参数下发流程图；
图6为根据本发明优选实施方式的重过载异常研判流程图；
图7为根据本发明优选实施方式的聚类模型参数更新机制流程图；
图8为根据本发明优选实施方式的算法认证登录流程图；
图9为根据本发明优选实施方式的算法K-means效果示意图；
图10为根据本发明优选实施方式的云端聚类参数显示示意图；
图11为根据本发明优选实施方式的聚类参数下发示意图；
图12为根据本发明优选实施方式的重过载异常就地研判结果示意图；
图13为根据本发明优选实施方式的重过载异常研判结果发布云端示意图；
图14为根据本发明优选实施方式的重过载异常研判模型更新示意图；以及
图15为根据本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断方法流程图。本发明针对现有配电台区重过载异常研判机制的不足，从云边协同的角度出发，结合机器学习技术，提出一种基于云边协同的配电台区重过载异常研判方法。故本发明基于台区真实环境，以真实的设备用电数据为基础，根据真实的配电台区运行状态，获取原始电压电流数据，提取负载率、重载累计时间、过载累计时间、重载持续时间、过载持续时间、重载频次以及过载频次7个特征，将此特征数据上传到云端保存，云端通过对重过载特征数据进行聚类分析，将重过载异常程度精细化，划分成不同的程度，包括正常、注意、异常以及严重等状态，训练得到聚类模型参数，即不同等级状态的聚类中心，将模型参数下发至边缘侧的智能融合终端，构建重过载异常研判模型，智能融合终端根据重过载异常研判模型研判台区的重过载异常程度，最后将研判结果返回给云端告警；在云端数据库积累一定量样本数据集后，触发云端重过载聚类模型训练机制，重新训练新的模型参数并下发至智能融合终端重过载异常研判模型中，智能融合终端根据更新规则判断是否更新参数，实现研判模型的动态调整。本发明为配电台区重过载异常研判提供了一种新的思路和方法，其架构如图2所示。
如图1所示，本发明提供一种基于云边协同的配电台区重过载异常判断方法，方法包括：
步骤101：采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将特征数据发送至云端服务器。
优选地，特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。
优选地，包括：
负载率特征计算公式为：
其中，max(ia,ib,ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征。
优选地，还包括：将特征数据通过JSON格式发送至云端服务器。
本发明根据实地调研情况，搭建台区用电数据采集环境，以真实的设备用电数据为基础，通过低压台区多功能电表采集实时的电压电流数据，智能融合终端进行汇总与小规模存储，并基于云边协同交互机制将实时运采数据上行传输云端，进行海量数据分析、存储。
本发明对特征数据进行计算，判断配电变压器重过载异常的关键特征主要包括负载率、重过载累计时间、重过载持续时间以及重过载频次。负载率和重过载持续时间是实时型特征，重过载累计时间和重过载频次是统计型特征，可以改变统计型指标的统计时间尺度实现动态化监管配电变压器重过载异常。负载率和重过载持续时间能够表征配电变压器当前的负载情况，重过载累计时间和重过载频次能够反应配电变压器历史的负载情况。
重过载特征是从配电变压器低压侧的三相电流数据中变换得到，配电变压器的三相电流数据按一定时间频率采集，对特征数据进行计算。
本发明将边缘侧的特征数据发布至云端服务器。本发明将实时用电数据提取特征后，智能融合终端通过MQTT协议连接云端，将负载率、重过载累计时间、重过载持续时间以及重过载频次7个特征数据以JSON格式发布到云端，特征发布云端流程图如图4所示，云端读取到边缘侧的实时特征数据后，连接存放特征数据的数据库，将特征数据存入数据库，为后续云端重过载聚类模型更新提供数据集。特征发布格式如表1。
表1发布格式
步骤102：在云端服务器建立配电台区重过载异常聚类模型，通过配电台区重过载异常聚类模型基于接收到的特征数据对配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将配电台区重过载异常聚类模型的参数发送至边缘侧终端。
优选地，还包括：配电台区重过载异常聚类模型通过K-means算法基于接收到的特征数据对配电台区重过载异常聚类模型进行训练。
本发明对对云端配电台区重过载异常聚类模型进行训练，本发明采用K-means算法，该算法采用距离来衡量样本之间的相似性，能将样本集划分成K个簇，簇Ci的均值向量μi为该簇的质心。
K-means算法首先选择K个初始质心，其中K是用户指定的参数，即所期望的簇的个数，本发明选用肘部法则，对于n个点的数据集，迭代计算k from 1to n，每次聚类完成后计算每个点到其所属的簇中心的距离的平方和，可以想象到这个平方和是会逐渐变小的，直到k＝＝n时平方和为0，因为每个点都是它所在的簇中心本身。但是在这个平方和变化过程中，会出现一个拐点也即“肘”点，可以看到下降率突然变缓时即认为是最佳的 k值。
确认k值后，选取聚类中心。选取聚类中心的步骤如下：
第一步：从数据集中随机选取一个样本点，作为第一个聚类中心；
第二步：计算数据集中每个样本点到各个聚类中心的距离，用D(x)表示；
第三步：选取一个新的样本点作为新的聚类中心，选取的原则为：某个数据样本的D(x)越大，其被选取的概率越大；
第四步：重复执行第二步和第三步，直到k个聚类中心被选取出来。
对智能融合终端上传的大量重过载特征数据集聚类分析后，得到配电台区重过载异常聚类模型。
本发明聚类模型参数下发云端训练重过载聚类模型后，智能融合终端订阅云端数据下发的topic，订阅成功后，以JSON格式发布含有设备ID 和相应topic的数据下发请求，获取重过载聚类模型参数(即不同等级状态的聚类中心)并保存，流程图如图5。在没有新的模型参数下发时，无需通过MQTT协议订阅参数，直接使用保存的模型参数执行后续功能。参数下发请求的格式如表2。
表2参数下发请求格式
步骤103：通过边缘侧终端基于接收到的配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
本发明处于安全性考虑，智能融合终端重过载异常研判模型运行开始时设置登录认证，一是可以保障智能融合终端用户的使用安全，保护用户使用时获取台区数据信息等不被偷窥与盗取，二是保障模型本身的利益，防止模型被恶意程序攻击等。模型通过认证账户、密码，认证成功后运行后续方法，认证登录流程图如图3所示。
步骤104：计算边缘侧配电台区的实时特征数据，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断。
优选地，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值。本发明共有4个聚类中心，n为7。
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重。
本发明将计算得到的实时特征数据作为输入，传入重过载异常研判模型，得到台区当前重过载异常程度。
本发明对重过载异常就地研判结果进行发布，通过MQTT协议将当前台区的重过载异常程度上传到云端进行预警推送，云端工作人员可针对异常程度进行主动运维和二次开发。
优选地，还包括：通过边缘侧终端向云端服务器发送配电台区重过载异常聚类模型的参数的更新请求；
云端服务器基于更新请求，请更新后的配电台区重过载异常聚类模型的参数发送至边缘侧终端；
通过边缘侧终端计算更新后的配电台区重过载异常聚类模型的参数与现有的配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过边缘侧终端基于偏差结果，确定是否应用更新后的配电台区重过载异常聚类模型的参数。
本发明对重过载异常研判模型进行更新，云端服务器在数据库接收到一定量新的特征数据后，触发云端聚类模型更新机制，重新训练聚类模型，下发模型参数，终端订阅到下发的新参数后，根据更新规则，判定是否更新参数。选择将每个新接收的模型参数和之前对应的模型参数求平方和误差，用平方和误差来表征新接收参数的偏差，偏差是否在一定范围内，来决定是否在研判模型中更新特征参数，偏差ep公式为：
m为聚类中心个数，n为聚类中心的特征个数，centerij为第i个聚类中心的第j个特征，centerij_new为新接收的第i个聚类中心的第j个特征。设置阈值em，当偏差ep小于阈值em时，不更新模型参数；当偏差ep大于阈值em时，更新参数，更新机制流程图如图7所示。
当前，云边协同机制已然广泛应用，为很多传统的问题提供了新的解决思路。可从云边协同的角度，各个智能融合终端对台区的原始数据进行采集，利用边缘侧本地的应用对采集的数据进行重过载特征转换，同时将特征数据上传至云端；云中心利用数据驱动的人工智能技术对海量的特征数据和历史数据集进行有效的特征提取与模型学习，训练得到配电台区重过载异常聚类模型，再把模型参数下发至智能融合终端的重过载异常研判模型，执行就地的重过载异常研判；在云端数据库积累更多样本数据集后，重新提取训练得到新的重过载异常聚类模型，并将模型参数重新下发至智能融合终端的重过载异常研判模型中，智能融合终端根据更新规则判断是否更新参数，实现模型的动态更新。
本发明实现了在云端训练出配电台区重过载异常聚类模型的情况下，将聚类模型参数下发到边缘侧，由边缘侧自动建立研判模型并实施就地研判台区的重过载异常程度，实现云端和边缘侧的信息协同、计算资源协同、业务协同，可实时反映该台区的重过载状态；并根据模型更新机制，实现研判模型的动态调整，适应性更强，为配电台区重过载的告警与运行维护提供切实可行的指导意见。
本发明实施方式以一台智能融合终端作为边缘端为例进行举例说明，其认证登录的账号密码均设置为1，从实时数据中提取重过载累计指标的时间尺度设置为72小时；在华为物联网平台(云端)创建产品的device_id 为5fed8387aaafca02dba396b2_123456，保存特征数据和模型参数的 service_id为centertest。
(1)认证登录
本发明处于安全性考虑，智能融合终端重过载异常研判模型运行开始时设置登录认证，一是可以保障智能融合终端用户的使用安全，保护用户使用时获取台区数据信息等不被偷窥与盗取，二是保障模型本身的利益，防止模型被恶意程序攻击等。模型通过认证账户、密码，认证成功后运行后续方法，运行结果如图8所示。
(2)数据获取
为保证实验室安全，难以实时获取重过载数据，现选择模拟电流数据，随机生成三相电流，限值在0-9内的整数，定义额定电流为7，保证负载率在0-1.42间，以便特征提取计算。选取第12个电流数据研判，该数据的过去12小时电流数据形如表3。
表3电流数据
原始数据 数据表示 t1t2t3t4t5t6t7t8t9t10t11t12
A相电流 Ia 8 1 5 8 1 4 8 1 4 7 1 4
B相电流 Ib 9 9 7 8 6 5 3 3 2 0 1 9
C相电流 Ic 1 3 9 3 9 4 0 4 0 6 0 7
(3)特征提取
配电变压器重过载异常关键特征主要有负载率、重过载累计时间、重过载持续时间以及重过载频次。负载率和重过载持续时间是实时型特征，重过载累计时间和重过载频次是统计型特征，可以改变统计型指标的统计时间尺度实现动态化监管配电变压器重过载异常。负载率和重过载持续时间能够表征配电变压器当前的负载情况，重过载累计时间和重过载频次能够反应配电变压器历史的负载情况。
重过载特征是从配电变压器低压侧的三相电流数据中变换得到，配电变压器的三相电流数据一小时采集一次，各个特征计算方法如下：
1)负载率load_rate特征提取，根据公式：
式中：max(ia,ib,ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流。
2)重载累计时间lz特征提取，根据公式：
式中：load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度。
3)过载累计时间lg特征提取，根据公式：
式中：load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器过载状态，t为统计时间尺度。
4)重载持续时间cz特征提取，根据公式
式中：load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间。
5)过载持续时间cg特征提取，根据公式
式中：load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间。
6)重载频次fz特征提取，根据公式
式中：czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度。
7)过载频次fg特征提取，根据公式
式中：cgi为第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度。针对案例数据提取的特征如下表4所示：
表4重过载特征表
特征名称 特征表示 数据
负载率 load_rate 1.285714
重载累计时间 lz 8
过载累计时间 lg 7
重载持续时间 cz 1
过载持续时间 cg 1
重载频次 fz 0
过载频次 fg 1
(4)特征发布云端
将实时用电数据提取特征后，智能融合终端通过MQTT协议连接云端，将负载率、重过载累计时间、重过载持续时间以及重过载频次7个特征数据以JSON格式发布到云端，云端读取到边缘侧的实时特征数据后，连接存放特征数据的数据库，将特征数据存入数据库，为后续云端重过载聚类模型更新提供数据集，发布JSON格式示例如表5所示.
表5发布格式示例
(5)云端聚类模型训练
本发明采用K-means算法，该算法采用距离来衡量样本之间的相似性，能将样本集划分成K个簇，簇Ci的均值向量μi为该簇的质心。
K-means算法首先选择K个初始质心，其中K是用户指定的参数，即所期望的簇的个数，本发明选用肘部法则，对于n个点的数据集，迭代计算k from 1to n，每次聚类完成后计算每个点到其所属的簇中心的距离的平方和，可以想象到这个平方和是会逐渐变小的，直到k＝＝n时平方和为0，因为每个点都是它所在的簇中心本身。但是在这个平方和变化过程中，会出现一个拐点也即“肘”点，可以看到下降率突然变缓时即认为是最佳的k值。
确认k值后，选取聚类中心。选取聚类中心的步骤如下：
第一步：从数据集中随机选取一个样本点，作为第一个聚类中心；
第二步：计算数据集中每个样本点到各个聚类中心的距离，用D(x)表示；
第三步：选取一个新的样本点作为新的聚类中心，选取的原则为：某个数据样本的D(x)越大，其被选取的概率越大；
第四步：重复执行第二步和第三步，直到k个聚类中心被选取出来。
对智能融合终端上传的大量重过载特征数据集聚类分析后，得到配电台区重过载异常聚类模型，聚类效果图如图9，云端聚类模型参数(即不同状态等级的聚类中心)如图10。
(6)聚类模型参数下发
云端训练重过载聚类模型后，智能融合终端订阅云端数据下发的topic，订阅成功后，以JSON格式发布含有设备ID和相应topic的参数下发请求，请求示例如表6，请求结果如图11。获取重过载聚类模型参数并保存。在没有新的模型参数下发时，无需通过MQTT协议订阅参数，直接使用保存的模型参数执行后续功能。
表6参数下发请求格式示例
(7)终端重过载异常研判模型建立
边缘侧智能融合终端根据云边交互机制订阅参数信息后，根据研判规则，建立重过载异常研判模型，异常程度使用平方和误差衡量，平方和误差dk是用来衡量观测值同真实值之间的偏差，其公式为
其中k为第k个聚类中心，本发明中一共有4个聚类中心，n为该聚类中心的特征个数,本发明中为7，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值。
根据特征数据和所有聚类中心的平方和误差对比，判定该特征数据表征场景的重过载异常程度为平方和误差最小的聚类中心代表的重过载异常程度。选择用level表示当前用电设备重过载异常程度，正常、注意、异常以及严重分别为1、2、3、4，其公式为
(8)重过载异常程度就地研判
将计算得到的实时特征数据作为输入，传入重过载异常研判模型，得到台区当前重过载异常程度。运行结果如图12。
(9)重过载异常就地研判结果发布
通过MQTT协议将当前台区的重过载异常程度上传到云端进行预警推送，云端工作人员可针对异常程度进行主动运维和二次开发，云端显示重过载异常研判结果如图13。
当前台区重过载异常程度为1，属于正常状态，云端运维人员接收到当前台区处于正常状态的信息，确认台区负载正常；若台区重过载异常程度为2，属于注意状态，云端运维人员接收到当前台区处于注意状态的信息，需留意台区重过载异常状态后续变化；若台区重过载异常程度为3、 4，属于3异常和严重状态，云端运维人员接收到当前台区状态信息，运维人员需现场诊断维修，保证台区正常运行。
(10)重过载异常研判模型更新
云端在数据库接收到一定量新的特征数据后，触发云端聚类模型更新机制，重新训练聚类模型，下发模型参数，终端订阅到下发的新参数后，根据更新规则，判定是否更新参数。选择将每个新接收的模型参数和之前对应的模型参数求平方和误差，用平方和误差来表征新接收参数的偏差，偏差是否在一定范围内，来决定是否在研判模型中更新特征参数，偏差ep公式为
m为聚类中心个数，n为聚类中心的特征个数，centerij为第i个聚类中心的第j个特征，centerij_new为新接收的第i个聚类中心的第j个特征。设置阈值em，当偏差ep小于阈值em时，不更新模型参数；当偏差ep大于阈值em时，更新参数。设置聚类中心个数m＝4，特征个数n＝7，阈值em＝1，当偏差ep小于em时，不更新模型参数；当偏差ep大于em时，用新接收的模型参数替换原来的模型参数，更新运行结果如图14所示。
图15为根据本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断系统结构图。如图15所示，本发明提供一种基于云边协同的配电台区重过载异常判断系统，系统包括：
初始单元1501，用于采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将特征数据发送至云端服务器。
优选地，特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征。
优选地，包括：
负载率特征计算公式为：
其中，max(ia,ib,ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征。
优选地，初始单元1501还用于：将特征数据通过JSON格式发送至云端服务器。
训练单元1502，用于在云端服务器建立配电台区重过载异常聚类模型，通过配电台区重过载异常聚类模型基于接收到的特征数据对配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将配电台区重过载异常聚类模型的参数发送至边缘侧终端。
优选地，训练单元还用于：配电台区重过载异常聚类模型通过K-means 算法基于接收到的特征数据对配电台区重过载异常聚类模型进行训练。
建立单元1503，用于通过边缘侧终端基于接收到的配电台区重过载异常聚类模型的参数建立重过载异常研判模型。
判断单元1504，用于计算边缘侧配电台区的实时特征数据，通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断。
优选地，判断单元1504用于通过重过载异常研判模型基于实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值；
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重。
优选地，系统还包括更新单元，用于：
通过边缘侧终端向云端服务器发送配电台区重过载异常聚类模型的参数的更新请求；
云端服务器基于更新请求，请更新后的配电台区重过载异常聚类模型的参数发送至边缘侧终端；
通过边缘侧终端计算更新后的配电台区重过载异常聚类模型的参数与现有的配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过边缘侧终端基于偏差结果，确定是否应用更新后的配电台区重过载异常聚类模型的参数。
本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断系统1500与本发明优选实施方式的一种基于云边协同的配电台区重过载异常判断方法100相对应，在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (6)

1.一种基于云边协同的配电台区重过载异常判断方法，所述方法包括：
采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征；所述负载率特征计算公式为：
其中，max(ia，ib，ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
所述重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
所述过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
所述重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
所述过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
所述重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
所述过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征；
在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；
通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值；
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重；
通过所述边缘侧终端向云端服务器发送所述配电台区重过载异常聚类模型的参数的更新请求；
所述云端服务器基于所述更新请求，请更新后的所述配电台区重过载异常聚类模型的参数发送至所述边缘侧终端；
通过所述边缘侧终端计算更新后的所述配电台区重过载异常聚类模型的参数与现有的所述配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过所述边缘侧终端基于所述偏差结果，确定是否应用更新后的所述配电台区重过载异常聚类模型的参数。
2.根据权利要求1所述的方法，还包括：将所述特征数据通过JSON格式发送至云端服务器。
3.根据权利要求1所述的方法，还包括：所述配电台区重过载异常聚类模型通过K-means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。
4.一种基于云边协同的配电台区重过载异常判断系统，所述系统包括：
初始单元，用于采集边缘侧配电台区的多个运行数据，计算多个运行数据的特征数据，将所述特征数据发送至云端服务器；所述特征数据包括：负载率特征、重载累计时间特征、过载累计时间特征、重载持续时间特征、过载持续时间特征、重载频次特征、过载频次特征；所述负载率特征计算公式为：
其中，max(ia，ib，ic)为配电变压器低压侧三相电流最大值，i为配电变压器低压侧额定电流，load_rate为负载率特征；
所述重载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，ki为第i时刻配电变压器重载状态，t为统计时间尺度，lz为重载累计时间特征；
所述过载累计时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，mi为第i时刻配电变压器重载状态，t为统计时间尺度，lg为过载累计时间特征；
所述重载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cz-1为配电变压器上一时刻的重载持续时间，cz为重载持续时间特征；
所述过载持续时间特征计算公式为：
其中，load_ratei为第i时刻配电变压器的负载率，cg-1为配电变压器上一时刻的过载持续时间，cg为过载持续时间特征；
所述重载频次特征计算公式为：
其中，czi为第i时刻配电变压器的重载持续时间，Cz(i-1)为第i-1时刻的配电变压器重载持续时间，pi为第i时刻配电变压器发生重载事件标志，t为统计时间尺度，fz为重载频次特征；
所述过载频次特征计算公式为：
其中，cgi第i时刻配电变压器的过载持续时间，cg(i-1)为第i-1时刻的配电变压器过载持续时间，qi为第i时刻配电变压器发生过载事件标志，t为统计时间尺度，fg为过载频次特征；
训练单元，用于在云端服务器建立配电台区重过载异常聚类模型，通过所述配电台区重过载异常聚类模型基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练，确定配电台区重过载异常聚类模型的参数，将所述配电台区重过载异常聚类模型的参数发送至边缘侧终端；
建立单元，用于通过所述边缘侧终端基于接收到的所述配电台区重过载异常聚类模型的参数建立重过载异常研判模型；
判断单元，用于计算边缘侧配电台区的实时特征数据，通过所述重过载异常研判模型基于所述实时特征数据对配电台区的当前重过载异常进行判断，判断公式为：
其中，k为第k个聚类中心，n为该聚类中心的特征个数，h(xi)为该聚类中心第i个特征的值，yi为第i个特征的实时采集值；
异常程度level的表示公式为：
其中，1、2、3、4分别代表正常、注意、异常以及严重；
更新单元，用于：
通过所述边缘侧终端向云端服务器发送所述配电台区重过载异常聚类模型的参数的更新请求；
所述云端服务器基于所述更新请求，请更新后的所述配电台区重过载异常聚类模型的参数发送至所述边缘侧终端；
通过所述边缘侧终端计算更新后的所述配电台区重过载异常聚类模型的参数与现有的所述配电台区重过载异常聚类模型的参数的偏差，获取偏差结果；
通过所述边缘侧终端基于所述偏差结果，确定是否应用更新后的所述配电台区重过载异常聚类模型的参数。
5.根据权利要求4所述的系统，所述初始单元还用于：将所述特征数据通过JSON格式发送至云端服务器。
6.根据权利要求4所述的系统，所述训练单元还用于：所述配电台区重过载异常聚类模型通过K-means算法基于接收到的所述特征数据对所述配电台区重过载异常聚类模型进行训练。
CN202110711676.1A 2021-06-25 2021-06-25 一种基于云边协同的配电台区重过载异常判断方法及系统 Active CN113708350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110711676.1A CN113708350B (zh) 2021-06-25 2021-06-25 一种基于云边协同的配电台区重过载异常判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110711676.1A CN113708350B (zh) 2021-06-25 2021-06-25 一种基于云边协同的配电台区重过载异常判断方法及系统

Publications (2)

Publication Number Publication Date
CN113708350A CN113708350A (zh) 2021-11-26
CN113708350B true CN113708350B (zh) 2023-10-24

Family

ID=78648235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110711676.1A Active CN113708350B (zh) 2021-06-25 2021-06-25 一种基于云边协同的配电台区重过载异常判断方法及系统

Country Status (1)

Country Link
CN (1) CN113708350B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282444A (zh) * 2021-12-28 2022-04-05 宁夏隆基宁光仪表股份有限公司 一种基于智能融合终端的分布式负荷预测方法及系统
CN114596015A (zh) * 2022-05-10 2022-06-07 深圳百胜扬工业电子商务平台发展有限公司 一种反馈式云计算数据采集方法、系统及装置
CN117275655A (zh) * 2023-11-15 2023-12-22 中国人民解放军总医院第六医学中心 一种基于人工智能的病案统计整理方法及系统
CN117991044B (zh) * 2024-01-26 2024-09-13 山东华科信息技术有限公司 基于云边端协同的配电台区全时空故障检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583790A (zh) * 2018-12-21 2019-04-05 广东电网有限责任公司 基于实时监测的配电网主动运维方法和系统
CN111178663A (zh) * 2019-11-15 2020-05-19 国网甘肃省电力公司 一种配电网全域大数据的设备状态诊断方法
CN111695800A (zh) * 2020-06-03 2020-09-22 南京中电科能技术有限公司 一种云边协同逐级分析定位异常用电行为用户的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583790A (zh) * 2018-12-21 2019-04-05 广东电网有限责任公司 基于实时监测的配电网主动运维方法和系统
CN111178663A (zh) * 2019-11-15 2020-05-19 国网甘肃省电力公司 一种配电网全域大数据的设备状态诊断方法
CN111695800A (zh) * 2020-06-03 2020-09-22 南京中电科能技术有限公司 一种云边协同逐级分析定位异常用电行为用户的方法

Also Published As

Publication number Publication date
CN113708350A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN113708350B (zh) 一种基于云边协同的配电台区重过载异常判断方法及系统
CN110035090B (zh) 一种智能电网虚假数据注入攻击检测方法
CN105069695B (zh) 一种智能变电站实时风险分析系统及分析方法
CN105512448B (zh) 一种配电网健康指数的评估方法
CN111898669B (zh) 一种基于机器学习的直流矿热炉异常事件预警系统
CN109490713A (zh) 一种用于电缆线路移动巡检及交互诊断的方法及系统
CN102904343B (zh) 基于分布式多智能体的状态监测系统及方法
CN109190950B (zh) 一种电表和水表档案贯通的用能异常识别方法
CN112611936A (zh) 一种基于边缘计算的配网变压器故障动态检测与分类系统
CN105932774A (zh) 基于ica算法的智能变电站设备状态预警方法
CN103812577A (zh) 非正常无线电信号的自动识别系统及其方法
CN118017509B (zh) 基于数字孪生空间的大规模配电网并行优化方法
CN112947127A (zh) 智慧用电控制管理系统
CN108199891B (zh) 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法
CN110119545A (zh) 一种基于栈式自编码器的非侵入式电力负荷识别方法
CN111884347A (zh) 多源电力信息融合的电力数据集中控制系统
CN116824517B (zh) 基于可视化的变电站运维安全管控系统
CN108448721A (zh) 电力系统主站监控信号与标准信号自动匹配的方法
Li et al. Autonomous smart grid fault detection
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
CN117291317B (zh) 基于aem的智能电力监控与优化系统
CN117937744A (zh) 一种基于电网运行方式的智能辅助分析方法
CN104978837B (zh) 一种面向用户端变电所的报警系统及其实现方法
CN102693514A (zh) 一种基于设备风险预控、重点设备监控的变电站设备自动评价方法
CN103532233B (zh) 基于gprs技术的用电信息采集异常精确定位系统

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
GR01 Patent grant
GR01 Patent grant