CN113722303A - 一种基于可视化的电能设备与信息运维系统 - Google Patents
一种基于可视化的电能设备与信息运维系统 Download PDFInfo
- Publication number
- CN113722303A CN113722303A CN202110934508.9A CN202110934508A CN113722303A CN 113722303 A CN113722303 A CN 113722303A CN 202110934508 A CN202110934508 A CN 202110934508A CN 113722303 A CN113722303 A CN 113722303A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- power
- electric energy
- prediction
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 18
- 238000012800 visualization Methods 0.000 title claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000013500 data storage Methods 0.000 claims abstract description 14
- 238000013523 data management Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000007405 data analysis Methods 0.000 claims description 32
- 230000002068 genetic effect Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000012731 temporal analysis Methods 0.000 claims 1
- 238000000700 time series analysis Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract 2
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于可视化的电能设备与信息运维系统,该系统包括智能配电控制与数据采集装置，高精度智能化数据存储与管理子系统、大数据技术下的电能分析决策子系统，该结合电力系统中各类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据等不同类型数据特点，高精度的数据采集方法、传感器节点数据预测技术和集成缓存与预取技术的数据存取性能优化技术，系统旨在国内率先实现相关模拟量、开关量、地理信息、报警等信息数据的远程无缝实时交互，为用户提供电力数据实时监控、数据的分析报警、突发状态预测、对配电设备进行远程控制等多功能一体的可视化交互环境。
Description
技术领域
发明涉及电力运行的领域,尤其涉及一种基于可视化的电能设备与信息运维系统。
背景技术
随着传感技术、自动化控制技术、通信网络技术、分布式存储技术、大数据分析和人工智能技术的发展，以及社会经济和环境需求的巨大推动，电网也将真正实现与互联网的深度融合，发展“智能电网”是电力行业的必然发展趋势。电力系统规模日趋增大，电网结构日益复杂，系统故障引发后果越发严重国内外多次大停电事故造成了巨大的经济损失和恶劣的社会影响。电网设备地域分布广、管理要素多、信息数据量大，导致管理成本高，对突发事件的应急处置能力低，现有的设备技术已无法适应电网的高速发展。迫切需要研发高效可靠的配用电系统关键技术，解决电网事故问题。现阶段，低压配电柜在可靠性、安全性、智能控制、模块化等方面的性能还有待提高。配电室运行的安全可靠性还只建立在值班电工的技能、责任心等不确定性的因素基础上。
因此配用电系统的智能化改造升级、构筑电站立体化保障体系符合国家产业政策，成为近几年中电站的发展趋势，具有广泛的工业应用需求和重要的社会应用价值。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于可视化的电能设备与信息运维系统。
本发明所采用的的技术方案是，该系统包括新一代智能配电控制与数据采集装置，通过抑制三相不平衡、补偿无功功率功能的有源滤波装置、模糊控制的静止式动态无功补偿装置，以及配电设备防意外安全分合闸机械装置，以提高设备的安全性、可靠性、精密性、可扩展性和通用性。
该系统包括高精度智能化数据存储与管理子系统，通过结合电力系统中各类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据不同类型数据特点，利用高精度的数据采集方法、传感器节点数据预测技术和集成缓存与预取技术的数据存取性能优化技术，以提高数据的采集、存储和访问效率。
该系统包括大数据技术下的电能分析决策子系统，根据设备情况、用户用电情况和配电系统运行情况，考虑不同类型应用场合、和不同类型项目情况，研究用户用电负荷数据分析与修正方法，设计配电业务分析决策模块，用以进行新建项目的指导和既有项目的后期管理。
本发明中，所述的高精度智能化数据存储与管理子系统包括联合遗传算法和BP神经网络的传感器节点数据预测算法、高精度数据测量方法、集成预取与缓存的分布式海量异构数据存储技术。
所述的大数据技术下的电能分析决策子系统研究包括用户用电负荷数据分析与修正模块、快速可扩展配电业务数据分析决策方法。
本发明中，基于监测数据进行实时预测和验证的重要性，通过对传感器采集的实时数据进行测试与分析，研究电站传感器监测数据预测技术，利用联合遗传算法和BP神经网络的数据预测技术，实现对实时采集数据的预测，验证实测数据是否为数据“坏点”。
本发明中，将改进的遗传算法与BP神经网络组合形成一种全新的负载预测方法，利用此方法对负载数据进行准确预测，首先使用改进的遗传算法优化BP神经网络的初始连接权值和阈值，再使用数据中心保存的同类历史数据对优化后的BP神经网络进行训练，形成数据预测模型，一旦发现实测数据为数据“坏点”，上位机监控系统将立刻使用预测数据来代替实测数据，避免传感器误发信号使系统出现误报警和误动作现象，从而保证系统的安全可靠运行。
本发明中，改进的遗传算法优化BP神经网络的包括：
步骤A.编码：将改进的遗传算法优化BP神经网络的初始权值和阈值，平滑因子也采用实数编码形式的编码；
步骤B.种群初始化；
步骤C.设置适应度函数；
步骤D.选择：采用最佳保留选择方式,据群体中个体的适应度函数值大小进行排序，会优先选择适应度函数值较大的个体遗传到下一代；
步骤E.交叉：由于个体采用实数编码，所以交叉操作方法采用实数交叉法；
步骤F.变异：提高变遗传算法的局部搜索能力和保持种群的多样性，避免过早熟现象的发生；
步骤G.判断等适值；
步骤H.解码：输出最优解。
本发明中，高精度数据测量方法,分析电力系统运行状态变化尤其是频率变化对电流电压测量精度的影响，考虑现有频率跟踪算法中过零检测、傅氏变换与小波分析等存在的计算繁琐、稳定度差等问题，运用采样频率失配条件下周期性信号的傅氏变换方法，设计基于FFT变换的频率跟踪算法。其中，每通道使用多达256点的采样数据，形成首尾连接的数据仓存储，采用了64位浮点FFT变换，同时加入滤波算法，保证电流电压的测量值与实际值之间的偏差小于0.2％，设计计算精度高、抗波形畸变能力强的数据测量方法。
本发明中，集成预取与缓存的分布式海量异构数据存储技术，通过分析电力系统中类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据等不同类型的数据结构、大小和特征，对不同的数据采用不同的存储方式，对性能要求非常高的实时数据，监测系统运行、设备数据采用实时文件系统；对结构化核心业务数据，电力企业营销数据使用两级数据库系统；对大量的历史和非结构化数据，视频监控数据和企业管理数据采用HDFS分布式文件系统，同时，引入多级缓存和预取技术提高存储系统的并发访问效率，系统可存储10年内上亿条数据，数据访问响应时间精确到秒，从而保障网络的承载能力以及移动终端的处理能力。
本发明中，用户用电负荷数据分析与修正模块，以用户用电负荷数据分析与修正为目标，包括大数据的清洗与修正、聚类分析、关联与演化分析，利用奇异点探测技术粒子滤波、结合统计模型对数据进行清洗、修正与过滤，包括采用高维时序基于时间序列分析的卡尔曼滤波方法修正用电负荷数据，通过分析用户用电数据关联性，对数据进行清洗、修正；采用哈希分布式索引和分布式锁索引技术提高数据分析速度，采用线性判别分析等稳健主成分分析法对数据进行特征提取，在此基础上，设计多结构用电负荷数据和基于时间的用电负荷数据的聚类方法、面向用电负荷和用户关系的关联规则挖掘方法，进而分析用户特征群组特征的数据关联关系和行为因果关系，指导空间经济特征与社会行为因素的结构与反馈，进行异常用电行为预测预警。
本发明中，快速可扩展配电业务数据分析决策方法，采用云计算技术，在分布式并行环境中将数据分析决策任务分解成多份细粒度的子任务，各子任务在空闲的处理节点之间被调度和处理，通过特定规则进行合并生成最终的决策结果返回，以用Hadoop MapReduce分布并行数据处理云计算开源平台为基础，采用基于WEB客户端日志数据关联规则挖掘算法、高效的负载均衡机制和优化的SPRINT并行处理方法，采用5000个节点的并行计算能力加速数据分析和处理速度，并根据实际需要的计算资源增加或减少硬件节点，缩减设备维护和数据备份的成本，用以实现节电、用电预测、配用电网架优化和错峰调度的智能配用电典型业务大数据分析。
附图说明
图1为本发明的系统框图；
图2为本发明数据分析与修正技术处理框图；
图3为本发明的智能配用电大数据分析图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
一种基于可视化的电能设备与信息运维系统，如图1所示，该系统包括智能配电控制与数据采集装置，通过抑制三相不平衡、补偿无功功率功能的有源滤波装置、模糊控制的静止式动态无功补偿装置，以及配电设备防意外安全分合闸机械装置，以提高设备的安全性、可靠性、精密性、可扩展性和通用性。
该系统包括高精度智能化数据存储与管理子系统，通过结合电力系统中各类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据不同类型数据特点，利用高精度的数据采集方法、传感器节点数据预测技术和集成缓存与预取技术的数据存取性能优化技术，以提高数据的采集、存储和访问效率。
该系统包括大数据技术下的电能分析决策子系统，根据设备情况、用户用电情况和配电系统运行情况，考虑不同类型应用场合、和不同类型项目情况，研究用户用电负荷数据分析与修正方法，设计配电业务分析决策模块，用以进行新建项目的指导和既有项目的后期管理。
本发明中，所述的高精度智能化数据存储与管理子系统包括联合遗传算法和BP神经网络的传感器节点数据预测算法、高精度数据测量方法、集成预取与缓存的分布式海量异构数据存储技术。
所述的大数据技术下的电能分析决策子系统研究包括用户用电负荷数据分析与修正模块、快速可扩展配电业务数据分析决策方法。
本发明中，基于监测数据进行实时预测和验证的重要性，通过对传感器采集的实时数据进行测试与分析，研究电站传感器监测数据预测技术，利用联合遗传算法和BP神经网络的数据预测技术，实现对实时采集数据的预测，验证实测数据是否为数据“坏点”。
遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法。其本质是一种高效、并行、全局搜索的方法，主要解决模型的最优化问题，改进适应度值就是把种群中异常偏大适应度值筛选掉，因为在该算法在接近最优解时总是在其附近来回波动。
为了提高种群的多样性，把等适值引入到遗传算法中，等适值就是种群中存在适应度近似相同的个体，(1)对种群中个体适应度值大小排序，并求解平均适应度值，(2)将大于平均适应度值的个体筛选出来，作为样本，依次进行选取，组成新的种群，(3)达到群体规模停止，该群体中都是优良个体，适应度小的个体被视为有缺陷，这样做的目的是提高遗传算法的传递信息的速率。
本发明中，将改进的遗传算法与BP神经网络组合形成一种全新的负载预测方法，利用此方法对负载数据进行准确预测，首先使用改进的遗传算法优化BP神经网络的初始连接权值和阈值，再使用数据中心保存的同类历史数据对优化后的BP神经网络进行训练，形成数据预测模型，一旦发现实测数据为数据“坏点”，上位机监控系统将立刻使用预测数据来代替实测数据，避免传感器误发信号使系统出现误报警和误动作现象，从而保证系统的安全可靠运行。
本发明中，改进的遗传算法优化BP神经网络的步骤为：
步骤1.编码：将改进的遗传算法优化BP神经网络的初始权值和阈值，平滑因子也采用实数编码形式的编码。
步骤2.种群初始化：本文选取的初始种群为100。
步骤3.适应度函数：基于神经网络输出节点的误差函数E，因此个体适应度函数f为：
f＝1/(E+1)。
步骤4.选择：采用最佳保留选择方式。根据群体中个体的适应度函数值大小进行排序，会优先选择适应度函数值较大的个体遗传到下一代。
步骤5.交叉：由于个体采用实数编码，所以交叉操作方法采用实数交叉法，假设经过k次迭代后，交叉函数描述如下：
步骤6.变异：变异的目的是为了提高变遗传算法的局部搜索能力和保持种群的多样性，也是避免过早熟现象的发生。
式中：amax为基因aij的上界，amin为基因aij的下界，其中f(g)＝r2(1-g/Gmax)2，r2为一个随机数；g为当前迭代次数，Gmax为最大进化次数，r为[0,1]间的随机数。
步骤7.判断等适值。
步骤8.解码：输出最优解。
本发明中，高精度数据测量方法,分析电力系统运行状态变化尤其是频率变化对电流电压测量精度的影响，考虑现有频率跟踪算法中过零检测、傅氏变换与小波分析等存在的计算繁琐、稳定度差等问题，运用采样频率失配条件下周期性信号的傅氏变换方法，设计基于FFT变换的频率跟踪算法。其中，每通道使用多达256点的采样数据，形成首尾连接的数据仓存储，采用了64位浮点FFT变换，同时加入滤波算法，保证电流电压的测量值与实际值之间的偏差小于0.2％，设计计算精度高、抗波形畸变能力强的数据测量方法。
本发明中，集成预取与缓存的分布式海量异构数据存储技术，通过分析电力系统中类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据等不同类型的数据结构、大小和特征，对不同的数据采用不同的存储方式，对性能要求非常高的实时数据，监测系统运行、设备数据采用实时文件系统；对结构化核心业务数据，电力企业营销数据使用两级数据库系统；对大量的历史和非结构化数据，视频监控数据和企业管理数据采用HDFS分布式文件系统，同时，引入多级缓存和预取技术提高存储系统的并发访问效率，系统可存储10年内上亿条数据，数据访问响应时间精确到秒，从而保障网络的承载能力以及移动终端的处理能力。
本发明中，用户用电负荷数据分析与修正模块，以用户用电负荷数据分析与修正为目标，包括大数据的清洗与修正、聚类分析、关联与演化分析，利用奇异点探测技术粒子滤波、结合统计模型对数据进行清洗、修正与过滤，包括采用高维时序基于时间序列分析的卡尔曼滤波方法修正用电负荷数据，通过分析用户用电数据关联性，对数据进行清洗、修正；采用哈希分布式索引和分布式锁索引技术提高数据分析速度，采用线性判别分析等稳健主成分分析法对数据进行特征提取，在此基础上，设计多结构用电负荷数据和基于时间的用电负荷数据的聚类方法、面向用电负荷和用户关系的关联规则挖掘方法，进而分析用户特征群组特征的数据关联关系和行为因果关系，指导空间经济特征与社会行为因素的结构与反馈，进行异常用电行为预测预警，采用的主要方法与技术如图2所示。
本发明中，如图3所示，快速可扩展配电业务数据分析决策方法，采用云计算技术，在分布式并行环境中将数据分析决策任务分解成多份细粒度的子任务，各子任务在空闲的处理节点之间被调度和处理，通过特定规则进行合并生成最终的决策结果返回，以用Hadoop Map Reduce分布并行数据处理云计算开源平台为基础，采用基于WEB客户端日志数据关联规则挖掘算法、高效的负载均衡机制和优化的SPRINT并行处理方法，采用5000个节点的并行计算能力加速数据分析和处理速度，并根据实际需要的计算资源增加或减少硬件节点，缩减设备维护和数据备份的成本，用以实现节电、用电预测、配用电网架优化和错峰调度的智能配用电典型业务大数据分析。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (9)
1.一种基于可视化的电能设备与信息运维系统，其特征在于,该系统包括智能配电控制与数据采集装置、高精度智能化数据存储与管理子系统、大数据技术下的电能分析决策子系统；
所述的智能配电控制与数据采集装置，该装置包括补偿无功功率功能的有源滤波装置、模糊控制的静止式动态无功补偿装置，以及配电设备防意外安全分合闸机械装置；
所述的高精度智能化数据存储与管理子系统，该子系统将电力系统中各类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据不同类型数据特点，利用高精度的数据采集方法、传感器节点数据预测技术和集成缓存与预取技术的数据存取性能优化技术，以提高数据的采集、存储和访问效率；
所述的大数据技术下的电能分析决策子系统，该自系统根据设备情况、用户用电情况和配电系统运行情况，考虑不同类型应用场合、和不同类型项目情况，研究用户用电负荷数据分析与修正方法，设计配电业务分析决策模块，用以进行新建项目的指导和既有项目的后期管理。
2.如权利要求1所述的一种基于可视化的电能设备与信息运维系统，其特征在于，所述的高精度智能化数据存储与管理子系统利用联合遗传算法和BP神经网络的传感器节点数据预测算法、高精度数据测量方法、集成预取与缓存的分布式海量异构数据存储技术完成数据处理；
所述的大数据技术下的电能分析决策子系统利用用户用电负荷数据分析与修正模块、快速可扩展配电业务数据分析决策方法完成电能分析决策。
3.如权利要求1所述的一种基于可视化的电能设备与信息运维系统，其特征在于，基于监测数据进行实时预测和验证的重要性，通过对传感器采集的实时数据进行测试与分析，研究电站传感器监测数据预测技术，利用联合遗传算法和BP神经网络的数据预测技术，实现对实时采集数据的预测，验证实测数据是否为数据“坏点”。
4.如权利要求3所述的一种基于可视化的电能设备与信息运维系统，其特征在于，将改进的遗传算法与BP神经网络组合形成一种全新的负载预测方法，利用此方法对负载数据进行准确预测，首先使用改进的遗传算法优化BP神经网络的初始连接权值和阈值，再使用数据中心保存的同类历史数据对优化后的BP神经网络进行训练，形成数据预测模型，一旦发现实测数据为数据“坏点”，上位机监控系统将立刻使用预测数据来代替实测数据，避免传感器误发信号使系统出现误报警和误动作现象，从而保证系统的安全可靠运行。
5.如权利要求3所述的一种基于可视化的电能设备与信息运维系统，其特征在于，改进的遗传算法优化BP神经网络的步骤包括：
步骤A.编码：将改进的遗传算法优化BP神经网络的初始权值和阈值，平滑因子也采用实数编码形式的编码；
步骤B.种群初始化；
步骤C.设置适应度函数；
步骤D.选择：据群体中个体的适应度函数值大小进行排序，会优先选择适应度函数值较大的个体遗传到下一代；
步骤E.交叉：由于个体采用实数编码，所以交叉操作方法采用实数交叉法；
步骤F.变异：提高变遗传算法的局部搜索能力和保持种群的多样性，避免过早熟现象的发生；
步骤G.判断等适值；
步骤H.解码：输出最优解。
6.如权利要求2所述的一种基于可视化的电能设备与信息运维系统，特征在于，高精度数据测量方法,分析电力系统运行状态变化尤其是频率变化对电流电压测量精度的影响，考虑现有频率跟踪算法中过零检测、傅氏变换与小波分析存在的计算繁琐、稳定度差问题，运用采样频率失配条件下周期性信号的傅氏变换方法，设计基于FFT变换的频率跟踪算法，形成首尾连接的数据仓存储，采用64位浮点FFT变换，同时加入滤波算法，保证电流电压的测量值与实际值之间的偏差小于0.2％，设计计算精度高、抗波形畸变能力强的数据测量方法。
7.如权利要求2所述的一种基于可视化的电能设备与信息运维系统，特征在于，集成预取与缓存的分布式海量异构数据存储技术，通过分析电力系统中类模拟量、组件运行和设备数据、视频监控数据、技术参数、业务数据等不同类型的数据结构、大小和特征，对不同的数据采用不同的存储方式，对性能要求非常高的实时数据，监测系统运行、设备数据采用实时文件系统；对结构化核心业务数据，电力企业营销数据使用两级数据库系统；对大量的历史和非结构化数据，视频监控数据和企业管理数据采用HDFS分布式文件系统，同时，引入多级缓存和预取技术提高存储系统的并发访问效率，系统存储10年内上亿条数据，数据访问响应时间精确到秒，从而保障网络的承载能力以及移动终端的处理能力。
8.如权利要求2所述的一种基于可视化的电能设备与信息运维系统，特征在于，用户用电负荷数据分析与修正模块，以用户用电负荷数据分析与修正为目标，包括大数据的清洗与修正、聚类分析、关联与演化分析，利用奇异点探测技术粒子滤波、结合统计模型对数据进行清洗、修正与过滤，包括采用高维时序基于时间序列分析的卡尔曼滤波方法修正用电负荷数据，通过分析用户用电数据关联性，对数据进行清洗、修正；采用哈希分布式索引和分布式锁索引技术提高数据分析速度，采用线性判别分析等稳健主成分分析法对数据进行特征提取，在此基础上，设计多结构用电负荷数据和基于时间的用电负荷数据的聚类方法、面向用电负荷和用户关系的关联规则挖掘方法，进而分析用户特征群组特征的数据关联关系和行为因果关系，指导空间经济特征与社会行为因素的结构与反馈，进行异常用电行为预测预警。
9.如权利要求6所述的一种基于可视化的电能设备与信息运维系统，特征在于，快速可扩展配电业务数据分析决策方法，采用云计算技术，在分布式并行环境中将数据分析决策任务分解成多份细粒度的子任务，各子任务在空闲的处理节点之间被调度和处理，通过特定规则进行合并生成最终的决策结果返回，以用Hadoop Map Reduce分布并行数据处理云计算开源平台为基础，采用基于WEB客户端日志数据关联规则挖掘算法、高效的负载均衡机制和优化的SPRINT并行处理方法，采用5000个节点的并行计算能力加速数据分析和处理速度，并根据实际需要的计算资源增加或减少硬件节点，缩减设备维护和数据备份的成本，用以实现节电、用电预测、配用电网架优化和错峰调度的智能配用电典型业务大数据分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934508.9A CN113722303A (zh) | 2021-08-16 | 2021-08-16 | 一种基于可视化的电能设备与信息运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934508.9A CN113722303A (zh) | 2021-08-16 | 2021-08-16 | 一种基于可视化的电能设备与信息运维系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113722303A true CN113722303A (zh) | 2021-11-30 |
Family
ID=78675939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110934508.9A Pending CN113722303A (zh) | 2021-08-16 | 2021-08-16 | 一种基于可视化的电能设备与信息运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722303A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114660949A (zh) * | 2021-12-23 | 2022-06-24 | 江苏方洋智能科技有限公司 | 一种基于大数据的弱电控制系统 |
| CN115759444A (zh) * | 2022-11-24 | 2023-03-07 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
| CN116894064A (zh) * | 2023-07-18 | 2023-10-17 | 国网信息通信产业集团有限公司北京分公司 | 一种智能集成的变电辅控数据系统和方法 |
| CN117200210A (zh) * | 2023-09-12 | 2023-12-08 | 盛隆电气集团有限公司 | 一种基于智能电网的配电方法及装置 |
-
2021
- 2021-08-16 CN CN202110934508.9A patent/CN113722303A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114660949A (zh) * | 2021-12-23 | 2022-06-24 | 江苏方洋智能科技有限公司 | 一种基于大数据的弱电控制系统 |
| CN115759444A (zh) * | 2022-11-24 | 2023-03-07 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
| CN115759444B (zh) * | 2022-11-24 | 2023-10-20 | 北京国电通网络技术有限公司 | 电力设备分配方法、装置、电子设备和计算机可读介质 |
| CN116894064A (zh) * | 2023-07-18 | 2023-10-17 | 国网信息通信产业集团有限公司北京分公司 | 一种智能集成的变电辅控数据系统和方法 |
| CN116894064B (zh) * | 2023-07-18 | 2024-04-09 | 国网信息通信产业集团有限公司北京分公司 | 一种智能集成的变电辅控数据系统和方法 |
| CN117200210A (zh) * | 2023-09-12 | 2023-12-08 | 盛隆电气集团有限公司 | 一种基于智能电网的配电方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113722303A (zh) | 一种基于可视化的电能设备与信息运维系统 | |
| CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
| CN113723773B (zh) | 一种基于大数据分析的电能决策系统 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| Liu et al. | Research and application of artificial intelligence service platform for the power field | |
| Zhang et al. | Critical node identification in active distribution network using resilience and risk theory | |
| CN113283602B (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
| CN113743246A (zh) | 一种基于深度学习的关键电能设备故障诊断方法 | |
| Zhang et al. | Robust classification model for PMU‐based on‐line power system DSA with missing data | |
| Tian et al. | A Power Forecasting Method for Ultra‐Short‐Term Photovoltaic Power Generation Using Transformer Model | |
| CN115640748A (zh) | 一种电力系统扰动后各发电机动态频率响应预测方法 | |
| Zhang et al. | Prediction method of line loss rate in low‐voltage distribution network based on multi‐dimensional information matrix and dimensional attention mechanism‐long‐and short‐term time‐series network | |
| Chi et al. | Zoning‐based candidate bus selection for dynamic VAR planning in power system towards voltage resilience | |
| Yang et al. | On‐Line Fault Diagnosis Model of Distribution Transformer Based on Parallel Big Data Stream and Transfer Learning | |
| Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
| Khediri et al. | Decision Support System Architecture for Smart Grid’s Hardening Against Weather Hazard | |
| CN112733450A (zh) | 一种电力网络中节点故障的分析方法及装置 | |
| Wu et al. | A distributed real-time data prediction framework for large-scale time-series data using stream processing | |
| Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
| Mgaya et al. | Machine learning approach for classifying power outage in secondary electric distribution network | |
| Wang et al. | Online load-loss risk assessment based on stacking ensemble learning for power systems | |
| Dahal | Synchrophasor data mining for situational awareness in power systems | |
| Guo et al. | Research on prognostics technology of spot-welding system in automotive manufacturing based on statistical process control | |
| Xie | Electric load forecast of long-period rail transit based on fuzzy mathematics | |
| Jinglong et al. | Research on Fault Prediction of Distribution Network Based on Large Data |
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 |