CN113792894B - 基于分布式海量数据库的电力设备状态评估方法和系统 - Google Patents
基于分布式海量数据库的电力设备状态评估方法和系统 Download PDFInfo
- Publication number
- CN113792894B CN113792894B CN202111011469.1A CN202111011469A CN113792894B CN 113792894 B CN113792894 B CN 113792894B CN 202111011469 A CN202111011469 A CN 202111011469A CN 113792894 B CN113792894 B CN 113792894B
- Authority
- CN
- China
- Prior art keywords
- equipment
- state information
- power grid
- mass database
- distributed mass
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 239000002923 metal particle Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 239000001257 hydrogen Substances 0.000 description 6
- 229910052739 hydrogen Inorganic materials 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000011787 zinc oxide Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于分布式海量数据库的电力设备状态评估方法和系统,包括订阅信息交互总线上的CIM‑E报文,并在接收到CIM‑E报文后将其解析获取电网运行状态信息;通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;将电网运行状态信息和各设备状态信息存入分布式海量数据库;从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;对设备进行故障预警。本发明建立了一个面向全配网的设备状态监测数据库系统,并在此海量数据库系统上来对本地区的配变常见故障、非正常运行情况进行判断和预警。
Description
技术领域
本发明涉及电力设备的状态监测、故障预警和故障诊断技术领域,特别是针对电力设备故障预警的技术领域。
背景技术
随着国民经济和电力系统的发展,对电力系统安全可靠运行的要求不断提高,电力系统在线状态监测已经成为重要的科学研究和工程应用方向。电力设备在线状态监测可以实时监测电力设备在实际运行状况下的健康状况,为系统的安全稳定运行提供保证。美国等发达国家从20世纪80年代起就在电力系统各领域开展了各种关于设备状态监测的研究和应用,二十几年来有了较大的发展。据统计,状态监测和故障诊断的应用可使事故率减少75%,使维修费用降低50%,具有良好的经济效益。
从配电变压器的检修来看,目前对配电变压器健康水平和运行状况的判断主要是通过预防性试验和定期检修来实现的。作为目前电力设备检修的常用方式,预防性试验和定期检修有很大的盲目性和强制性,存在浪费了人力物力;增加了停电次数和停电时间,造成了频繁的运行操作,增加了误操作的事故率;过度检修增加新的设备隐患;检修工作有可能造成设备损失使其总体寿命下降;检修难度和检修费用高等问题。随着配网发展日益复杂,供电可靠性和供电质量要求愈来愈高,同时配网设备智能化程度和系统信息化水平的也大幅度提高,对配网中电力设备的状态检修工作已经迫在眉睫。
电力设备状态监测的研究集中于传感器、计算机网络和数据库、数据分析等3个方向。利用先进的传感技术可对发电机、变压器、断路器、容性设备和GIS等设备作监测。而在监测数据的存储和分析方面所取得的进展还难以满足对电力设备故障预警和诊断的需求。很多情况还需要人工处理,计算机只能对少数故障进行分析和决策。因为涉及设备的具体问题,准确结论完全依据对设备故障机理的了解和经验的积累,这是一个复杂的过程,一般很难通过建模或仿真来解决。对电力设备状态进行准确的分类是故障预警和诊断的通用手段,也是数据分析的核心部分,现多采用人工智能技术,如模式识别、人工神经网络、模糊数学、专家系统等。
无论采用哪种方法,推理过程都可分为归纳推理和演绎推理。归纳推理阶段为样本学习过程,虽然从理论上可以通过很多渠逆获得知识,但在实际操作过程中建立知识库是很难的。其基本原因在于设备状态监测分类问题不同于文字识别之类的分类问题。文字识别的样本不成问题,而对一台具体设备的状态监测分类问题,除正常状态样本容易得到外,完整的故障状态样本一般得不到,而样本不充分肯定导致下一步的演绎推理不准确了。
发明内容
针对电力设备状态监测中获得的设备故障状态和故障类型不充分不全面的技术问题,本发明提出了基于分布式海量数据库的电力设备状态评估方法和系统,能够获取所有所能探知到的设备的状态监测信息及故障信息。
为实现上述技术目的,本发明采用了以下技术方案。
一方面,本发明提供基于分布式海量数据库的电力设备状态评估方法,包括:
订阅信息交互总线( Inform ati onExchangeBus,IEB) 上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
通过电力设备状态服务的接口获取企业服务总线(Enterprise Service Bus,ESB)上各设备状态信息;
将电网运行状态信息和各设备状态信息存入分布式海量数据库;
从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;
对设备进行故障预警。
进一步地,所述分布式海量数据库采用Hadoop所提供的MapReduce并行运算架构。
进一步地,将电网运行状态信息和各设备状态信息存入分布式海量数据库,包括在分布式海量数据中将电网运行状态信息与各设备状态信息中通过唯一设备标识号关联起来,并按照设备类型作表划分。
进一步地,所述电网运行状态信息包括发电机、变压器、断路器和容性设备的运行状态特征。
再进一步地,基于提取的特征分别确定电网和设备的故障类型包括:根据设备类型从分布式海量数据库中提取各设备类型对应的电网运行状态信息和各设备状态信息作为特征,通过将提取的特征与相同设备类型的故障特征进行比对,确定各设备类型对应的故障类型。
进一步地,对设备进行故障预警包括:根据设备状态信息中设备的类型和型号在分布式海量数据库中确定同类型设备,根据该类型设备对应的电网运行状态信息和各设备状态信息,拟合下一时刻设备运行状态,取方差最小者为最佳拟合数据点,根据该最佳拟合数据点后所记录的设备运行状态进行设备故障预警。
第二方面,本发明提供基于分布式海量数据库的电力设备状态评估系统,包括至少一个监测平台以及分布式海量数据库模块,其中所述监测平台包括:基于信息交互总线的采集模块、基于ESB服务化的采集模块、读写分布式海量数据库模块、故障类型诊断模块和故障预警模块;
所述基于信息交互总线的采集模块,用于订阅信息交互总线上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
所述基于ESB服务化的采集模块,用于通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;
所述读写分布式海量数据库模块,用于通过海量数据库访问操作接口将电网运行状态信息和各设备状态信息存入分布式海量数据库存储到所述分布式海量数据库;
所述故障类型诊断模块,用于通过海量数据库访问操作接口从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;
所述故障预警模块,用于过海量数据库访问操作接口从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征对设备进行故障预警。
本发明所取得的有益技术效果:本发明通过订阅信息交互总线获取电网运行状态信息,通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;将获取的信息存入分布式海量数据局,建立了一个面向全配网的设备状态监测数据库系统,并在此海量数据库系统上来对本地区的配变常见故障、非正常运行情况进行判断和预警,建立了配变设备运行自动预警机制,便于用户及时掌握设备运行情况,使电力设备状态监测中获得的设备故障状态和故障类型信息更加充分全面。
附图说明
图1为本发明实施例提供的电力设备状态评估系统组成示意图;
图2~图6为GIS中的典型局部放电类型的典型放电波形图和典型放电谱图;其中2(a)为自由金属颗粒放电类型的典型放电波形图,2(b)为自由金属颗粒放电类型的典型放电谱图; 3(a)为悬浮电位体放电类型的典型放电波形图,3(b)为自由金属颗粒放电类型的典型放电谱图; 4(a)为绝缘件内部气隙放电类型的典型放电波形图,4(b)为自由金属颗粒放电类型的典型放电谱图; 5(a)为沿面放电类型的典型放电波形图,5(b)为沿面放电类型的典型放电谱图;6(a)为金属尖端放电的典型放电波形图,6(b)为金属尖端放电的典型放电谱图。
具体实施方式
下面结合附图和具体实施例对本发明所提出的基于分布式海量数据库的电力设备状态评估方法进行详细说明。
如图1所示,本发明所提出的基于分布式海量数据库的电力设备状态评估系统包括至少一个监测平台以及分布式海量数据库模块,其中所述监测平台包括:基于信息交互总线的采集模块、基于ESB服务化的采集模块、读写分布式海量数据库模块、故障类型诊断模块和故障预警模块。
基于信息交互总线的采集模块,用于订阅信息交互总线上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
基于ESB服务化的采集模块,用于通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;
读写分布式海量数据库模块,用于通过海量数据库访问操作接口将电网运行状态信息和各设备状态信息存入分布式海量数据库存储到分布式海量数据库;
故障类型诊断模块,用于通过海量数据库访问操作接口从分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;
故障预警模块,用于过海量数据库访问操作接口从分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征对设备进行故障预警。
我国已在智能电网核心标准IEC61970的基础上开发了智能电网调度技术支持平台(D5000系统),该平扩展了61970的相关规范,提出了电网通用模型描述规范(简称E语言)、电网图形描述规范(简称G语言)、电力系统简单服务描述语言(简称S语言)等基础平台系列规范,这对提高中国相关产业在国际智能电网市场的核心竞争力具有非常重要的意义。现在D5000平台已成为我国进行智能电网调度技术支持系统的基础开发平台,但还没有在其上作大规模的综合数据可视化及数据挖掘等应用的开发。
本发明基于基于信息交互总线的采集模块采集信息交互总线上的电网运行状态信息,利用D5000模型、数据和图形标准开展了数据集成工作,规定了各业务子系统在把数据发往信息交互总线上,必须将采集的数据按CIM-E格式来打包;而总线上的数据订阅应用必须能从接收到的CIM-E包中将采集到的数据解析出来,并写入分布式海量数据库中。
本发明中基于ESB服务化的采集模块采用调用服务的方式获取企业服务总线上各设备状态信息。
国际电工联盟为配电网制定了IEC61968标准,它是通用的集成模型和集成框架,用以指导配网信息的集成。IEC61968给出了一条信息交互软总线,各个业务组件通过接口适配器插入总线中。IEC 61968标准的这条软总线可支持粗粒度消息交换模型、发布订阅的机制。采用面向服务的技术SOA (Service Oriented Architecture)来实现软总线可以满足IEC 61968的要求,使各业务子系统以松耦合的方式实现彼此之间的信息共享,保证了信息交互的灵活性、高效性、安全性、可维护性和可扩展性。
SOA采用了一系列的标准协议,其中主要协议有提供访问服务的协议SOAP(SimpleObject AccessProtocol),描述服务的协议WSDL(Web ServiceDescriptionLanguage)和发布及发现服务的协议UDDI(Universal Description DiscoveryInfrastructure)。而每个Web服务都是由两个部分组成:服务和服务描述。服务描述采用XML进行编码,通过XML这种自标记语言来刻画服务的接口,包括数据类型、操作、协议绑定以及Web服务实现的网络位置(URL等);另外还有一些附加文件,主要是用来对Web服务进行分类或提供其他元数据,以便使用者发现它们。
这样在每个状态监测主机上都需要开发和部署一个服务,它提供访问本地海量数据库的接口;同时还应在全局网中的注册服务器上注册该服务。我们所关注的设备状态监测主机一方面通过注册服务器来发现新的监测服务,并加入到其监测服务列表中;另一方面,它又定时地访问监测服务列表中的各服务接口,通过该接口把各服务所对应的数据库中最新的监测数据导入到本地海量数据库中。
在分布式海量数据库中,按设备类型作了表划分,每个设备类所需要监测的电气量参数各不相同。其中,对于发电机主要在线监测其发电转子绕组、接地匝间短路、温度及绝缘等;对于变压器在线监测项目主要有环境温度,油中气体分析(氢气,甲烷,乙烷,乙烯)、局部放电、微水含量等;对于断路器的在线监测断路器的监测内容有操作回路的完整性、绝缘特性、开断能力、机械特性等;对于线路的监测有温度;对于容性设备(包括氧化锌避雷器)的在线监测主要测量容性设备的电容、电容电流、介质损耗、不平衡电压等参量;氧化锌避雷器(MOA)的全电流、阻性电流、功耗等参量;对于GIS主要监测其局部放电以及机械振动特性。
现以GIS局部放电为例来举例说明该模块的实现,特高频测量分为宽带测量和检波测量两种方式,宽带测量可观察到局放信号在200MHz~3GHz频域上的信号能量分布,信息量大,因此具有较好的检测和识别效果;而用检波测量则无法得到不同缺陷信号的频谱特征,但具有较高的信噪比,抗干扰能力强,检测灵敏度高。由于特高频局部放电检测至少需要测量一个工频周期以上的百兆赫兹到千兆赫兹的放电信号,常用的A/ D 转换系统在采样率和存储深度等方面很难满足要求,且数据处理难度大。通常局部放电测量只关心信号的幅值、出现的相位以及放电重复率,因此在线监测系统普遍采用检波方式,仅对放电信号的主要信息进行检测、分析和存储。
在线监测特征信息包括:最大放电量、放电相位、放电频次和放电谱图,放电谱图应由不少于50个连续工频周期的监测数据形成。检测周期应可根据监测需要进行设置和调节,最小监测周期不应小于10分钟。在局部放电的在线监测中,主要存在两个问题:一个是抗干扰的问题,另一个是数据的解释和绝缘故障模式识别问题,也即是绝缘故障类型的诊断。GIS中的典型局部放电类型包括:
1.)自由金属颗粒放电,金属颗粒和GIS部件之间的放电;
2.)悬浮电位体放电,主要包括松动部件的悬浮电位放电,非移动金属颗粒和设备部件之间的放电;
3.)金属尖端放电,金属部件表面加工毛刺,壳体内部的金属异物;
4.)沿面放电,固体绝缘表面金属颗粒对绝缘表面,固体绝缘表面脏污,固体绝缘表面其他异物;
5.)绝缘件内部气隙放电,绝缘件内部空隙、异物和裂缝等。
典型缺陷放电特征及其图谱见下表1:
表1为GIS中的典型缺陷放电特征及其图谱
从上表中可看出用五个参数(幅值分布、放电次数、时间间隔、放电相位、极性效应)来鉴别是那种故障类型。当在50个连续工频周期内,放电次数这个参量用N表示,放电次数少于50时取值为1,多于300时取值为2,否则取值为0;幅值分布参量用F表示,统计幅值之间的差值占幅值的比例,并且将比例分为10个级别,1%至10%为第1级,11%至20%为第2级,依次类推,91%-100%为第10级,若只有一个级,则F取值为0,若小于5个级别,则F取值为1,若多于5个级别,则F取值为2;时间间隔参量用T表示,类似于F取间隔差占间隔的比例,并分为10个级别,若只有一个级别,则T取1,若多于5个级别,则T取2,否则T取0;放电相位参量用W表示,若相位差大于10,则W取1,否则W取0;极性效应参量用P表示,若极性效应不明显,则P取值为0,若极性效应非常明显,则P取值为1。
根据典型局部放电信号的波形特征或统计特性提取局部放电指纹,建立模式的分布式海量数据库,通过局部放电检测结果和海量库中的模式对比,可进行局部放电类型识别。局部放电的类型识别采用人工神经网络、统计分类器等自动识别思想来实现。首先是知识的获取过程,这种知识可以通过对IEB总线(也就是信息交互总线)采集上来的数据进行人工判断来获取,也可通过ESB服务总线(也就是企业服务总线)从其它的状态监测主机上获得。这样,上述五类GIS典型的局部放电故障类型都对应了一个放电模式波形表,而且通过不断发现全局网中的状态监测服务,并读取这些状态监测服务中的数据记录,本地监测系统数据库中放电模式波形表的记录项会越来越多,当达到一定规模后,就可以用来指导对各GIS故障类型的自动识别了,并在屏幕上显示出来。
自动识别的判据D=F + N * 10 + T * 100 + W * 1000 + P * 10000,其中F为幅值分布、N为放电次数、T为时间间隔、W为放电相位、P为极性效应;先计算出知识库中五类故障的平均判据Di,再计算刚刚监测到的局部放电模式的判据D,看D与哪个Di判据的差值最小,差值最小的那类故障就是局部放电模式的故障类型。由于采用了分布式海量数据库及Hadoop的并行MapReduce架构,故可以不用考虑存储容量和访问速度的限制。
虽然在国标中对电力设备的监测量给出了相应的预警值,超过该预警值就可发出预警信息。这种映射方法简单,但针对具体的电力设备而言,预警信息可能在离出现故障前早早地就被发出去了,这会增加对设备进行检修的次数;而实际上,还有可能出现当某项参数指标达到预警值后,过段时间该参数指标又恢复正常了的情况,所以应当采用人工智能的方法来更准确地判断是否要发出预警信号。
故障预警模块也采用了同类样本类比法的处理过程,先是有关预警知识的学习,建立同类样本的海量知识数据库。学习途径有两条,一是直接获得IEB总线上的采集数据,由人工判断学习后录入海量知识数据库;二是不断定时访问全局监测服务列表中的每台服务器上的知识库,将其中的知识并入到本监测系统的海量知识数据库中。在满足一定数量的样本实例后,可用已学到的知识来做故障预警的判断了。
先根据设备的类型和型号在海量知识数据库中找到同类设备,再针对每一项参数,根据其24小时前的监测数据值,到同类设备表中去拟合数据点,取方差最小者为最佳拟合的设备,在该最佳设备的拟合数据点后所记录的设备状态,就是我们监测设备下一时刻的监测参数预估值和预估状态,也即:若为预警状态则将其值和状态作为我们监测设备的预警信息而输出。
以变压器在线监测为例来说明该故障预警模块的工作过程。变压器在线监测的参量主要有环境温度、油中氢气、油中甲烷、油中乙烷、油中乙烯、局部放电、微水含量等七个量。以油中氢气这一参量为例,为其建立一个具有五列的表,列名可依次为:设备类型,设备型号,设备id号,值,状态。在学习完后,表中已输入了大量的记录。现在可由我们的监测设备来构建输入数据,包括监测设备类型,监测设备型号,监测设备的参量(如油中氢气),参量值列表。其中参量值列表是当前24小时的已有数据值,若采集的频率是15分钟一次,则该列表将包含96个节点。先由监测设备的参量找到相应的表,再由(监测设备类型,监测设备型号,设备id号)查找到该设备的所有记录数据,构成一个<值,状态>的输出列表L。再继续用输入的参量值列表到L中去匹配,找出具有最小方差的L的位置点。再将设备id号增加,重复上述匹配工作,找出最小方差的L的位置点。重复工作一直继续到对所有的设备id处理完为止,也就得到了一个<值,状态>的输出列表L,即具有最小方差的L的位置点,L中该位置点后的下一节点就是我们监测设备油中氢气的预估节点,若该节点中的状态为预警,则输出该节点的内容。
同样,由于采用了分布式海量数据库及Hadoop的并行MapReduce架构,可以不用考虑上述过程中所涉及到的存储容量和访问速度的限制。
与以上基于分布式海量数据库的电力设备状态评估系统相对应地,本发明还提供了基于分布式海量数据库的电力设备状态评估方法,包括:
订阅信息交互总线上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;
将电网运行状态信息和各设备状态信息存入分布式海量数据库;
从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;对设备进行故障预警。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的方法,具体工作工程可参照系统中各模块的对应工作过程,在此不再赘述。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其它实施方式,同样属于本发明保护的范围。
Claims (6)
1.基于分布式海量数据库的电力设备状态评估方法,其特征在于,包括:
订阅信息交互总线上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;
将电网运行状态信息和各设备状态信息存入分布式海量数据库;
从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;对设备进行故障预警;
基于提取的特征分别确定电网和设备的故障类型包括:根据设备类型从分布式海量数据库中提取各设备类型对应的电网运行状态信息和各设备状态信息作为特征,通过将提取的特征与相同设备类型的故障特征进行模式比对,确定各设备类型对应的故障类型;
对设备进行故障预警包括:根据设备状态信息中设备的类型和型号在分布式海量数据库中确定同类型设备,根据该类型设备对应的电网运行状态信息和各设备状态信息,拟合下一时刻设备运行状态,取方差最小者为最佳拟合数据点,根据该最佳拟合数据点后所记录的设备运行状态进行设备故障预警。
2.根据权利要求1所述的基于分布式海量数据库的电力设备状态评估方法,其特征在于,所述分布式海量数据库采用Hadoop所提供的MapReduce并行运算架构。
3.根据权利要求1所述的基于分布式海量数据库的电力设备状态评估方法,其特征在于,将电网运行状态信息和各设备状态信息存入分布式海量数据库,包括在分布式海量数据中将电网运行状态信息与各设备状态信息中通过唯一设备标识号关联起来,并按照设备类型作表划分。
4.根据权利要求1所述的基于分布式海量数据库的电力设备状态评估方法,其特征在于,所述电网运行状态信息包括发电机、变压器、断路器和容性设备的运行状态特征。
5.基于分布式海量数据库的电力设备状态评估系统,其特征在于,包括:至少一个监测平台以及分布式海量数据库模块,其中所述监测平台包括:基于信息交互总线的采集模块、基于ESB服务化的采集模块、读写分布式海量数据库模块、故障类型诊断模块和故障预警模块;
所述基于信息交互总线的采集模块,用于订阅信息交互总线上的CIM-E报文,并在接收到CIM-E报文后将其解析获取电网运行状态信息;
所述基于ESB服务化的采集模块,用于通过电力设备状态服务的接口获取企业服务总线上各设备状态信息;
所述读写分布式海量数据库模块,用于通过海量数据库访问操作接口将电网运行状态信息和各设备状态信息存入分布式海量数据库存储到所述分布式海量数据库;
所述故障类型诊断模块,用于通过海量数据库访问操作接口从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征分别确定电网和设备的故障类型;
所述故障预警模块,用于过海量数据库访问操作接口从所述分布式海量数据库读取电网运行状态信息和各设备状态信息并从中提取特征,基于提取的特征对设备进行故障预警;
基于提取的特征分别确定电网和设备的故障类型包括:根据设备类型从分布式海量数据库中提取各设备类型对应的电网运行状态信息和各设备状态信息作为特征,通过将提取的特征与相同设备类型的故障特征进行模式比对,确定各设备类型对应的故障类型;
对设备进行故障预警包括:根据设备状态信息中设备的类型和型号在分布式海量数据库中确定同类型设备,根据该类型设备对应的电网运行状态信息和各设备状态信息,拟合下一时刻设备运行状态,取方差最小者为最佳拟合数据点,根据该最佳拟合数据点后所记录的设备运行状态进行设备故障预警。
6.根据权利要求5所述的基于分布式海量数据库的电力设备状态评估系统,其特征在于,所述基于ESB服务化的采集模块采用调用服务的方式获取企业服务总线上各设备状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011469.1A CN113792894B (zh) | 2021-08-31 | 2021-08-31 | 基于分布式海量数据库的电力设备状态评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011469.1A CN113792894B (zh) | 2021-08-31 | 2021-08-31 | 基于分布式海量数据库的电力设备状态评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792894A CN113792894A (zh) | 2021-12-14 |
CN113792894B true CN113792894B (zh) | 2023-11-17 |
Family
ID=78876725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011469.1A Active CN113792894B (zh) | 2021-08-31 | 2021-08-31 | 基于分布式海量数据库的电力设备状态评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792894B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102215253A (zh) * | 2011-05-18 | 2011-10-12 | 中国电力科学研究院 | 一种电力调度实时监控系统数据的分层交换与控制方法 |
CN103762723A (zh) * | 2008-05-09 | 2014-04-30 | 埃森哲环球服务有限公司 | 用于管理电网的方法和系统 |
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 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 | 一种电力设备状态检修系统 |
CN104124756A (zh) * | 2013-04-27 | 2014-10-29 | 国家电网公司 | 一种基于全网数据的省级配电网运行监测系统 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN105608519A (zh) * | 2015-11-09 | 2016-05-25 | 国家电网公司 | 一种电网通信设备运行状态的预测算法 |
CN106340968A (zh) * | 2016-10-21 | 2017-01-18 | 国网山东省电力公司电力科学研究院 | 一种面向配电网管控的一体化支撑系统及方法 |
CN107146018A (zh) * | 2017-05-04 | 2017-09-08 | 北京许继电气有限公司 | 基于电网状态监测系统的数据处理分析方法和系统 |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297141A (zh) * | 2019-07-01 | 2019-10-01 | 武汉大学 | 基于多层评估模型的故障定位方法及系统 |
-
2021
- 2021-08-31 CN CN202111011469.1A patent/CN113792894B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103762723A (zh) * | 2008-05-09 | 2014-04-30 | 埃森哲环球服务有限公司 | 用于管理电网的方法和系统 |
CN102215253A (zh) * | 2011-05-18 | 2011-10-12 | 中国电力科学研究院 | 一种电力调度实时监控系统数据的分层交换与控制方法 |
CN104124756A (zh) * | 2013-04-27 | 2014-10-29 | 国家电网公司 | 一种基于全网数据的省级配电网运行监测系统 |
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 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 | 一种电力设备状态检修系统 |
CN105608519A (zh) * | 2015-11-09 | 2016-05-25 | 国家电网公司 | 一种电网通信设备运行状态的预测算法 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN106340968A (zh) * | 2016-10-21 | 2017-01-18 | 国网山东省电力公司电力科学研究院 | 一种面向配电网管控的一体化支撑系统及方法 |
CN107146018A (zh) * | 2017-05-04 | 2017-09-08 | 北京许继电气有限公司 | 基于电网状态监测系统的数据处理分析方法和系统 |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析系统及方法 |
Non-Patent Citations (5)
Title |
---|
全域统一建模的输变电设备管控数据平台;谢善益;杨强;梁成辉;范颖;;广东电力;第29卷(第01期);第51-57页 * |
基于Hadoop的变电站设备故障状态识别与预测模型;曲朝阳;刘晓庆;辛鹏;;软件导刊;第14卷(第03期);第61-63页 * |
基于SOA的海量准实时数据服务平台接入/访问研究;李绍飞;汤朝波;茅海泉;;计算机测量与控制(第04期);第256-259页 * |
大数据挖掘分析在电力设备状态评估中的应用;宫宇;吕金壮;;南方电网技术;第8卷(第06期);第74-77页 * |
智能配电网综合支撑服务平台建设及应用;唐海国;徐浩;龚汉阳;冷华;朱吉然;张志丹;;供用电(第06期);第42-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113792894A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN109886475B (zh) | 基于ai的计量自动化系统的信息安全态势感知系统 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其系统 | |
CN108347352B (zh) | 一种电力系统中信息系统及设备性能的诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN108490323A (zh) | 一种用于对变压器故障进行处理的系统及方法 | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
CN108414877A (zh) | 一种用于对变压器故障进行预警的系统及方法 | |
CN110837532A (zh) | 一种基于大数据平台对充电桩窃电行为的检测方法 | |
CN116506339A (zh) | 一种电力行业网络安全实时监测分析系统 | |
CN113792894B (zh) | 基于分布式海量数据库的电力设备状态评估方法和系统 | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN116381380A (zh) | 一种用于智能变电站故障录波器的动态故障监管系统 | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN111861141B (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
Wang | Research on power equipment diagnosis based on big data | |
Kim et al. | Predictive modeling of dissolved gas concentrationin oil-immersed substation transformers | |
Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
Kezunovic et al. | Big Data Synchrophasor Monitoring and Analytics for Resiliency Tracking (BDSMART) |
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 |