CN113901666A - 应用于智能电网的实时监控和异常检测方法 - Google Patents
应用于智能电网的实时监控和异常检测方法 Download PDFInfo
- Publication number
- CN113901666A CN113901666A CN202111224269.4A CN202111224269A CN113901666A CN 113901666 A CN113901666 A CN 113901666A CN 202111224269 A CN202111224269 A CN 202111224269A CN 113901666 A CN113901666 A CN 113901666A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- graph
- vertex
- aggregation
- transformer
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 217
- 230000002776 aggregation Effects 0.000 claims abstract description 95
- 238000004220 aggregation Methods 0.000 claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims description 93
- 239000013598 vector Substances 0.000 claims description 48
- 230000005856 abnormality Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种应用于智能电网的实时监控和异常检测方法,其包括:获取异常数值特征的嵌入矩阵和异常时序特征的嵌入矩阵,并将异常数值特征的嵌入矩阵和异常时序特征的嵌入矩阵输入异常频率模型以输出异常特征频率。基于每个变压器在每个周期的电压电流数据获取每个变压器在每个周期的电压电流频域数据从而构建每个变压器在每个周期的电流电压频谱图。以每个变压器在每个周期的电流电压频谱图的各个异常特征频率为顶点,以异常特征频率的幅值的差值为权值系数建立每个变压器在每个周期的电压电流时序图模型,并将所有电压电流时序图模型进行图聚合和图分解生成异常检测图模型以对各变压器进行实时监控和异常检测。
Description
技术领域
本发明涉及智能电网和异常检测领域,尤其涉及一种应用于智能电网的实时监控和异常检测方法。
背景技术
智能电网就是电网的智能化,也被称为“电网2.0”,它是建立在集成的、高速双向通信网络的基础上,通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用,实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标,其主要特征包括自愈、激励和包括用户、抵御攻击、提供满足21世纪用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行。
变压器作为电力系统中及其重要的设备之一,其安全稳定直接影响电网的安全稳定运行,随着状态监测技术成熟度的不断提高和监测装置的广泛应用,状态监测在状态评估和故障诊断方面起到了重要作用。变压器在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响,这些异常运行状态会导致设备缺陷、故障的发生,通过先进的状态评估方法分析状态监测数据,从而实时反映运行情况及异常状态模式是设备状态监测发展的必然趋势。
发明内容
有鉴于此,本发明提供了一种应用于智能电网的实时监控和异常检测方法,其包括以下步骤:
获取变压器发生异常的周期的电压电流数据,并将其作为异常电压电流数据;获取异常电压电流数据的电流数据特征和电压数据特征,并将电流数据特征和电压数据特征进行特征拼接得到异常数值特征,然后将异常数值特征通过嵌入层以输出异常数值特征的嵌入矩阵;
根据异常电压电流数据生成异常电流值曲线和异常电压值曲线并利用时频局部化的窗函数分别将异常电流值曲线和异常电压值曲线进行离散化以得到异常电流时间序列和异常电压时间序列;
分别将所述异常电流时间序列和异常电压时间序列输入嵌入层以输出第一嵌入矩阵和第二嵌入矩阵,并将所述第一嵌入矩阵和第二嵌入矩阵进行矩阵聚合得到聚合矩阵,然后将所述聚合矩阵输入到LSTM中以输出异常时序特征的嵌入矩阵;将异常数值特征的嵌入矩阵和异常时序特征的嵌入矩阵输入训练好的异常频率模型以输出异常特征频率;
获取每个变压器在每个周期的电压电流数据,并根据所述电压电流数据获取每个变压器在每个周期电压值曲线和电流值曲线;利用时频局部化的窗函数将每个变压器在每个周期的电压值曲线和电流值曲线进行离散化以得到每个变压器在每个周期的电压电流时域数据,并将每个变压器在每个周期的电压电流时域数据进行时频变换以生成每个变压器在每个周期的电压电流频域数据;
根据每个变压器在每个周期的电压电流频域数据构建每个变压器在每个周期的电流电压频谱图,并以每个变压器在每个周期的电流电压频谱图的各个异常特征频率为顶点,以异常特征频率的幅值的差值为权值系数建立每个变压器在每个周期的电压电流时序图模型;
将所有变压器在所有周期的电压电流时序图模型进行图聚合生成聚合图模型,并将聚合图模型进行图分解以获取每个变压器的异常检测图模型,然后根据每个变压器的异常检测图模型对每个变压器进行实时监控和异常检测。
根据一个优选实施方式,所述第一嵌入矩阵为异常电流时间序列的嵌入矩阵;所述第二嵌入矩阵为异常电压时间序列的嵌入矩阵。所述电流时序图模型包括图顶点和图连接;所述电流时序图模型的图顶点为异常特征频率;所述电流时序图模型的图连接为异常特征频率的幅值之差。所述异常特征频率表征变压器在出现异常时特征的组成频率。
根据一个优选实施方式,训练异常频率模型的过程包括:
输入第一训练数据和第二训练数据,初始化迭代次数;获取第一训练数据的异常时序特征的嵌入矩阵和异常数值特征的嵌入矩阵;
根据单位列向量和一个周期的时间间距将异常数值特征的嵌入矩阵转化为数值异常特征向量;根据单位列向量和一个周期的时间间距将异常时序特征的嵌入矩阵转化为时序异常特征向量;
将数值异常特征向量和时序异常特征向量输入注意力机制神经网络以实现对数值异常特征向量和时序异常特征向量的权重的动态调整以获取数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵;
基于数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵将异常特征向量和时序异常特征向量进行加权求和以得到异常特征组合向量,并将异常特征组合向量通过训练异常频率模型的全连接层以得到预测的异常特征频率;
根据第二训练数据获取实际的异常特征频率,并根据预测的异常特征频率和实际的异常特征频率更新异常频率模型的参数;
对上述步骤进行迭代,在达到迭代次数时停止迭代以生成训练好的异常频率模型。
根据一个优选实施方式,将聚合图模型进行图分解以获取每个变压器的异常检测图模型包括:
在聚合图模型中随机选取第一预设数量的顶点作为聚合顶点,并将聚合图模型中的其他顶点作为非聚合顶点;获取非聚合顶点与每个聚合顶点的权属概率,并将权属概率最大的聚合顶点作为非聚合顶点的权属聚合顶点;
根据每个非聚合顶点与其权属聚合顶点的权属概率获取每个非聚合顶点与其权属聚合顶点的连接权值,并基于所述连接权值将每个非聚合顶点与其权属聚合顶点进行聚合生成若干个聚合团,然后将每个聚合团进行特征提取和特征映射以得到每个聚合团对应的特征点;所述聚合团包括一个聚合顶点和若干个非聚合顶点;
获取聚合顶点之间的权属概率,并根据聚合顶点之间的权属概率获取特征点之间的连接权值,然后根据特征点以及特征点之间的连接权值生成映射图模型;
对映射图模型进行图分解以得到映射图模型的图分解数据,并将映射图模型的图分解数据反映射到聚合图模型以得到聚合图模型的图分解数据;对映射图模型的图分解数据和聚合图模型的图分解数据进行联合调整以生成最优图分解数据,并根据最优图分解数据将聚合图模型分解为每个变压器的异常检测图模型。
根据一个优选实施方式,对映射图模型进行图分解以得到映射图模型的图分解数据包括:
将映射图模型随机划分为第一映射子图和第二映射子图,并获取第一映射子图和第二映射子图的图顶点和图连接,然后将第一映射子图和第二映射子图中的图顶点进行映射以生成若干个映射点对;所述映射点对包括第一顶点和第二顶点;所述第一顶点为在第一映射子图中的图顶点;所述第二顶点为第二映射子图中的图顶点;
遍历所有的映射点对,并将正在遍历映射点对作为目标映射点对,判断目标映射点对中的目标第一顶点与目标第二顶点是否存在图连接;在目标第一顶点和目标第二顶点存在图连接时,将目标映射对的交换系数设置为第一系数;在目标第一顶点和目标第二顶点不存在图连接时,将目标映射对的交换系数设置为第二系数;
将目标第一顶点和目标第二顶点进行位置交换前后第一映射子图的图连接数量的差值作为目标第一顶点的交换值;将目标第一顶点和目标第二顶点进行位置交换前后第二映射子图的图连接数量的差值作为目标第二顶点的交换值;
根据交换系数、目标第一顶点的交换值和目标第二顶点的交换值计算目标映射点对的交换优度,并在目标映射点对的交换优度大于零时,将目标映射点对中目标第一顶点和目标第二顶点进行位置交换;
重复以上步骤,直到遍历完所有的映射点对以获取映射图模型的图分解数据。
根据一个优选实施方式,根据变压器的异常检测图模型对变压器进行实时监控和异常检测包括:
获取异常检测图模型中的图顶点集和图连接集,并根据异常检测图模型中任意两个图顶点之间的权值系数将异常检测图模型转换为邻接矩阵;
对所述邻接矩阵进行对角化分解以得到对角矩阵和非对角矩阵,并根据非对角矩阵计算异常检测图模型在各个时刻的异常度,在异常度大于异常阈值时,确定变压器在相应时刻发生异常;
根据异常检测图模型的邻接矩阵获取在变压器发生异常的时刻各个异常特征频率与前一时刻各个异常特征频率的差值并将其作为各个异常特征频率的相对异常值;
将相对异常值最大的异常特征频率输入异常频率模型以获取变压器的异常类型。
本发明具有以下有益效果:本发明通过异常特征频率和每个变压器在每个周期的电流电压频谱图生成每个变压器在每个周期的电压电流时序图模型,并根据所有变压器在所有周期的电压电流时序图模型获取每个变压器的异常检测图模型,然后根据每个变压器的异常检测图模型对每个变压器进行实时监控和异常检测。本发明通过先进的状态评估方法分析状态监测数据,从而实时反映变压器的运行情况及异常状态模式。
附图说明
图1为一示例性实施例提供的应用于智能电网的实时监控和异常检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1,在一个实施例中,应用于智能电网的实时监控和异常检测方法可以包括:
S1、获取变压器发生异常的周期的电压电流数据,并将其作为异常电压电流数据;获取异常电压电流数据的电流数据特征和电压数据特征,并将电流数据特征和电压数据特征进行特征拼接得到异常数值特征,然后将异常数值特征通过嵌入层以输出异常数值特征的嵌入矩阵。
异常电压电流数据为变压器在发生异常的周期内的电流数据和电压数据,异常数值特征为变压器在发生异常时电压数值和电流数值的特征。
S2、根据异常电压电流数据生成异常电流值曲线和异常电压值曲线并利用时频局部化的窗函数分别将异常电流值曲线和异常电压值曲线进行离散化以得到异常电流时间序列和异常电压时间序列。
异常电流时间序列为在一个周期内将异常变压器的电流数据进行离散化后按照时间顺序排列得到的电流序列;异常电压时间序列为在一个周期内将异常变压器的电压数据进行离散化后按照时间顺序排列得到的电压序列。
S3、分别将异常电流时间序列和异常电压时间序列输入嵌入层以输出第一嵌入矩阵和第二嵌入矩阵,并将第一嵌入矩阵和第二嵌入矩阵进行矩阵聚合得到聚合矩阵,然后将聚合矩阵输入到LSTM中以输出异常时序特征的嵌入矩阵;将异常数值特征的嵌入矩阵和异常时序特征的嵌入矩阵输入训练好的异常频率模型以输出异常特征频率。
异常特征频率表征变压器在出现异常时的特征的组成频率。
第一嵌入矩阵为异常电流时间序列的嵌入矩阵;第二嵌入矩阵为异常电压时间序列的嵌入矩阵。
异常时序特征为变压器在发生异常时电压数值随时间变化的特征以及电流数值随时间变化的特征。
在一个实施例中,训练异常频率模型的过程包括:
输入第一训练数据和第二训练数据,初始化迭代次数;获取第一训练数据的异常时序特征的嵌入矩阵和异常数值特征的嵌入矩阵;
根据单位列向量和一个周期的时间间距将异常数值特征的嵌入矩阵转化为数值异常特征向量;根据单位列向量和一个周期的时间间距将异常时序特征的嵌入矩阵转化为时序异常特征向量;
将数值异常特征向量和时序异常特征向量输入注意力机制神经网络以实现对数值异常特征向量和时序异常特征向量的权重的动态调整以获取数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵;
基于数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵将异常特征向量和时序异常特征向量进行加权求和以得到异常特征组合向量,并将异常特征组合向量通过训练异常频率模型的全连接层以得到预测的异常特征频率;
根据第二训练数据获取实际的异常特征频率,并根据预测的异常特征频率和实际的异常特征频率更新异常频率模型的参数;
对上述步骤进行迭代,在达到迭代次数时停止迭代以生成训练好的异常频率模型。
S4、获取每个变压器在每个周期的电压电流数据,并根据电压电流数据获取每个变压器在每个周期电压值曲线和电流值曲线;利用时频局部化的窗函数将每个变压器在每个周期的电压值曲线和电流值曲线进行离散化以得到每个变压器在每个周期的电压电流时域数据,并将每个变压器在每个周期的电压电流时域数据进行时频变换生成每个变压器在每个周期的电压电流频域数据。
电压值曲线记录了变压器在周期内每个时间点的电压数值,电流值曲线记录了变压器在周期内每个时间点的电流数值。
电压电流时域数据为电压电流值在时域上的数据,电压电流频域数据为电压电流值在频域上的数据。
S5、根据每个变压器在每个周期的电压电流频域数据构建每个变压器在每个周期的电流电压频谱图,并以每个变压器在每个周期的电流电压频谱图的各个异常特征频率为顶点,以异常特征频率的幅值的差值为权值系数建立每个变压器在每个周期的电压电流时序图模型。
电流时序图模型包括图顶点和图连接;电流时序图模型的图顶点为异常特征频率;电流时序图模型的图连接为异常特征频率的幅值之差。
S6、将所有变压器在所有周期的电压电流时序图模型进行图聚合生成聚合图模型,并将聚合图模型进行图分解以获取每个变压器的异常检测图模型,然后根据每个变压器的异常检测图模型对每个变压器进行实时监控和异常检测。
在一个实施例中,将聚合图模型进行图分解以获取每个变压器的异常检测图模型包括:
在聚合图模型中随机选取第一预设数量的顶点作为聚合顶点,并将聚合图模型中的其他顶点作为非聚合顶点;获取非聚合顶点与每个聚合顶点的权属概率,并将权属概率最大的聚合顶点作为非聚合顶点的权属聚合顶点;
根据每个非聚合顶点与其权属聚合顶点的权属概率获取每个非聚合顶点与其权属聚合顶点的连接权值,并基于所述连接权值将每个非聚合顶点与其权属聚合顶点进行聚合生成若干个聚合团,然后将每个聚合团进行特征提取和特征映射以得到每个聚合团对应的特征点;所述聚合团包括一个聚合顶点和若干个非聚合顶点;
获取聚合顶点之间的权属概率,并根据聚合顶点之间的权属概率获取特征点之间的连接权值,然后根据特征点以及特征点之间的连接权值生成映射图模型;
对映射图模型进行图分解以得到映射图模型的图分解数据,并将映射图模型的图分解数据反映射到聚合图模型以得到聚合图模型的图分解数据;对映射图模型的图分解数据和聚合图模型的图分解数据进行联合调整以生成最优图分解数据,并根据最优图分解数据将聚合图模型分解为每个变压器的异常检测图模型。
第一预设数量为根据实际情况预先进行设置。
接下来,对映射图模型进行图分解以得到映射图模型的图分解数据包括:
将映射图模型随机划分为第一映射子图和第二映射子图,并获取第一映射子图和第二映射子图的图顶点和图连接,然后将第一映射子图和第二映射子图中的图顶点进行映射以生成若干个映射点对;所述映射点对包括第一顶点和第二顶点;所述第一顶点为在第一映射子图中的图顶点;所述第二顶点为第二映射子图中的图顶点;
遍历所有的映射点对,并将正在遍历映射点对作为目标映射点对,判断目标映射点对中的目标第一顶点与目标第二顶点是否存在图连接;在目标第一顶点和目标第二顶点存在图连接时,将目标映射对的交换系数设置为第一系数;在目标第一顶点和目标第二顶点不存在图连接时,将目标映射对的交换系数设置为第二系数;
将目标第一顶点和目标第二顶点进行位置交换前后第一映射子图的图连接数量的差值作为目标第一顶点的交换值;将目标第一顶点和目标第二顶点进行位置交换前后第二映射子图的图连接数量的差值作为目标第二顶点的交换值;
根据交换系数、目标第一顶点的交换值和目标第二顶点的交换值计算目标映射点对的交换优度,并在目标映射点对的交换优度大于零时,将目标映射点对中目标第一顶点和目标第二顶点进行位置交换;
重复以上步骤,直到遍历完所有的映射点对以获取映射图模型的图分解数据。
第一系数和第二系数为根据实际情况预先进行设置。
进一步地,根据变压器的异常检测图模型对变压器进行实时监控和异常检测包括:
获取异常检测图模型中的图顶点集和图连接集,并根据异常检测图模型中任意两个图顶点之间的权值系数将异常检测图模型转换为邻接矩阵;
对所述邻接矩阵进行对角化分解以得到对角矩阵和非对角矩阵,并根据非对角矩阵计算异常检测图模型在各个时刻的异常度,在异常度大于异常阈值时,确定变压器在相应时刻发生异常;
根据异常检测图模型的邻接矩阵获取在变压器发生异常的时刻各个异常特征频率与前一时刻各个异常特征频率的差值并将其作为各个异常特征频率的相对异常值;
将相对异常值最大的异常特征频率输入异常频率模型以获取变压器的异常类型。
变压器的异常类型包括:内部故障、相间短路、匝间短路、绕组或出线接地以及外部故障。
本发明通过异常特征频率和每个变压器在每个周期的电流电压频谱图生成每个变压器在每个周期的电压电流时序图模型,并根据所有变压器在所有周期的电压电流时序图模型获取每个变压器的异常检测图模型,然后根据每个变压器的异常检测图模型对每个变压器进行实时监控和异常检测。本发明通过先进的状态评估方法分析状态监测数据,从而实时反映变压器的运行情况及异常状态模式。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solidstate disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种应用于智能电网的实时监控和异常检测方法,其特征在于,获取变压器发生异常的周期的电压电流数据,并将其作为异常电压电流数据;获取异常电压电流数据的电流数据特征和电压数据特征,并将电流数据特征和电压数据特征进行特征拼接得到异常数值特征,然后将异常数值特征通过嵌入层以输出异常数值特征的嵌入矩阵;
根据异常电压电流数据生成异常电流值曲线和异常电压值曲线并利用时频局部化的窗函数分别将异常电流值曲线和异常电压值曲线进行离散化以得到异常电流时间序列和异常电压时间序列;
分别将所述异常电流时间序列和异常电压时间序列输入嵌入层以输出第一嵌入矩阵和第二嵌入矩阵,并将所述第一嵌入矩阵和第二嵌入矩阵进行矩阵聚合得到聚合矩阵,然后将所述聚合矩阵输入到LSTM中以输出异常时序特征的嵌入矩阵;将异常数值特征的嵌入矩阵和异常时序特征的嵌入矩阵输入训练好的异常频率模型以输出异常特征频率;
获取每个变压器在每个周期的电压电流数据,并根据所述电压电流数据获取每个变压器在每个周期电压值曲线和电流值曲线;利用时频局部化的窗函数将每个变压器在每个周期的电压值曲线和电流值曲线进行离散化以得到每个变压器在每个周期的电压电流时域数据,并将每个变压器在每个周期的电压电流时域数据进行时频变换以生成每个变压器在每个周期的电压电流频域数据;
根据每个变压器在每个周期的电压电流频域数据构建每个变压器在每个周期的电流电压频谱图,并以每个变压器在每个周期的电流电压频谱图的各个异常特征频率为顶点,以异常特征频率的幅值的差值为权值系数建立每个变压器在每个周期的电压电流时序图模型;
将所有变压器在所有周期的电压电流时序图模型进行图聚合生成聚合图模型,并将聚合图模型进行图分解以获取每个变压器的异常检测图模型,然后根据每个变压器的异常检测图模型对每个变压器进行实时监控和异常检测。
2.根据权利要求1所述的方法,其特征在于,所述第一嵌入矩阵为异常电流时间序列的嵌入矩阵;所述第二嵌入矩阵为异常电压时间序列的嵌入矩阵。
3.根据权利要求2所述的方法,其特征在于,所述电流时序图模型包括图顶点和图连接;所述电流时序图模型的图顶点为异常特征频率;所述电流时序图模型的图连接为异常特征频率的幅值之差。
4.根据权利要求2或3所述的方法,其特征在于,训练异常频率模型的过程包括:
输入第一训练数据和第二训练数据,初始化迭代次数;获取第一训练数据的异常时序特征的嵌入矩阵和异常数值特征的嵌入矩阵;
根据单位列向量和一个周期的时间间距将异常数值特征的嵌入矩阵转化为数值异常特征向量;根据单位列向量和一个周期的时间间距将异常时序特征的嵌入矩阵转化为时序异常特征向量;
将数值异常特征向量和时序异常特征向量输入注意力机制神经网络以实现对数值异常特征向量和时序异常特征向量的权重的动态调整以获取数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵;
基于数值异常特征向量的动态权值矩阵和时序异常特征向量的动态权值矩阵将异常特征向量和时序异常特征向量进行加权求和以得到异常特征组合向量,并将异常特征组合向量通过训练异常频率模型的全连接层以得到预测的异常特征频率;
根据第二训练数据获取实际的异常特征频率,并根据预测的异常特征频率和实际的异常特征频率更新异常频率模型的参数;
对上述步骤进行迭代,在达到迭代次数时停止迭代以生成训练好的异常频率模型。
5.根据权利要求4所述的方法,其特征在于,将聚合图模型进行图分解以获取每个变压器的异常检测图模型包括:
在聚合图模型中随机选取第一预设数量的顶点作为聚合顶点,并将聚合图模型中的其他顶点作为非聚合顶点;获取非聚合顶点与每个聚合顶点的权属概率,并将权属概率最大的聚合顶点作为非聚合顶点的权属聚合顶点;
根据每个非聚合顶点与其权属聚合顶点的权属概率获取每个非聚合顶点与其权属聚合顶点的连接权值,并基于所述连接权值将每个非聚合顶点与其权属聚合顶点进行聚合生成若干个聚合团,然后将每个聚合团进行特征提取和特征映射以得到每个聚合团对应的特征点;所述聚合团包括一个聚合顶点和若干个非聚合顶点;
获取聚合顶点之间的权属概率,并根据聚合顶点之间的权属概率获取特征点之间的连接权值,然后根据特征点以及特征点之间的连接权值生成映射图模型;
对映射图模型进行图分解以得到映射图模型的图分解数据,并将映射图模型的图分解数据反映射到聚合图模型以得到聚合图模型的图分解数据;对映射图模型的图分解数据和聚合图模型的图分解数据进行联合调整以生成最优图分解数据,并根据最优图分解数据将聚合图模型分解为每个变压器的异常检测图模型。
6.根据权利要求1至5之一所述的方法,其特征在于,对映射图模型进行图分解以得到映射图模型的图分解数据包括:
将映射图模型随机划分为第一映射子图和第二映射子图,并获取第一映射子图和第二映射子图的图顶点和图连接,然后将第一映射子图和第二映射子图中的图顶点进行映射以生成若干个映射点对;所述映射点对包括第一顶点和第二顶点;所述第一顶点为在第一映射子图中的图顶点;所述第二顶点为第二映射子图中的图顶点;
遍历所有的映射点对,并将正在遍历映射点对作为目标映射点对,判断目标映射点对中的目标第一顶点与目标第二顶点是否存在图连接;在目标第一顶点和目标第二顶点存在图连接时,将目标映射对的交换系数设置为第一系数;在目标第一顶点和目标第二顶点不存在图连接时,将目标映射对的交换系数设置为第二系数;
将目标第一顶点和目标第二顶点进行位置交换前后第一映射子图的图连接数量的差值作为目标第一顶点的交换值;将目标第一顶点和目标第二顶点进行位置交换前后第二映射子图的图连接数量的差值作为目标第二顶点的交换值;
根据交换系数、目标第一顶点的交换值和目标第二顶点的交换值计算目标映射点对的交换优度,并在目标映射点对的交换优度大于零时,将目标映射点对中目标第一顶点和目标第二顶点进行位置交换;
重复以上步骤,直到遍历完所有的映射点对以获取映射图模型的图分解数据。
7.根据权利要求6所述的方法,其特征在于,所述根据变压器的异常监测图模型对变压器进行实时监控和异常检测包括:
获取异常检测图模型中的图顶点集和图连接集,并根据异常检测图模型中任意两个图顶点之间的权值系数将异常检测图模型转换为邻接矩阵;
对所述邻接矩阵进行对角化分解以得到对角矩阵和非对角矩阵,并根据非对角矩阵计算异常检测图模型在各个时刻的异常度,在异常度大于异常阈值时,确定变压器在相应时刻发生异常;
根据异常检测图模型的邻接矩阵获取在变压器发生异常的时刻各个异常特征频率与前一时刻各个异常特征频率的差值并将其作为各个异常特征频率的相对异常值;
将相对异常值最大的异常特征频率输入异常频率模型以获取变压器的异常类型。
8.根据权利要求7所述的方法,其特征在于,所述异常特征频率表征变压器在出现异常时特征的组成频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224269.4A CN113901666A (zh) | 2021-10-20 | 2021-10-20 | 应用于智能电网的实时监控和异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224269.4A CN113901666A (zh) | 2021-10-20 | 2021-10-20 | 应用于智能电网的实时监控和异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901666A true CN113901666A (zh) | 2022-01-07 |
Family
ID=79192853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224269.4A Withdrawn CN113901666A (zh) | 2021-10-20 | 2021-10-20 | 应用于智能电网的实时监控和异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901666A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
-
2021
- 2021-10-20 CN CN202111224269.4A patent/CN113901666A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935284A (zh) * | 2022-11-04 | 2023-04-07 | 贵州电网有限责任公司信息中心 | 电网异常电压检测方法、装置、设备及存储介质 |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116400126B (zh) * | 2023-06-08 | 2023-08-01 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karimzadeh et al. | Method for determining utility and consumer harmonic contributions based on complex independent component analysis | |
CN113901666A (zh) | 应用于智能电网的实时监控和异常检测方法 | |
JP2018170006A (ja) | 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク | |
Li et al. | A power system disturbance classification method robust to PMU data quality issues | |
Yang et al. | Bad data detection algorithm for PMU based on spectral clustering | |
CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
Ansari et al. | Graph theoretical defense mechanisms against false data injection attacks in smart grids | |
Chen et al. | Fault anomaly detection of synchronous machine winding based on isolation forest and impulse frequency response analysis | |
Moravej et al. | A new approach based on S-transform for discrimination and classification of inrush current from internal fault currents using probabilistic neural network | |
CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
CN116505653A (zh) | 输电线路监测系统、方法、装置、计算机设备和存储介质 | |
Jiang et al. | Synchrophasor measurement‐based correlation approach for dominant mode identification in bulk power systems | |
Guoli | Traffic prediction and attack detection approach based on PSO optimized Elman neural network | |
Tian et al. | Hybrid algorithm for traction transformer differential protection based on intrinsic mode function energy entropy and correlation dimension | |
CN117233687B (zh) | 一种基于历史数据的cvt初始误差评估方法、介质及终端 | |
Iwata et al. | Differential evolutionary particle swarm optimization for load adjustment distribution state estimation using correntropy | |
Hassannejad Marzouni et al. | Measurement devices allocation in distribution system using state estimation: A multi‐objective approach | |
Liu et al. | A multivariate forecasting method for short‐term load using chaotic features and RBF neural network | |
CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
Raschke et al. | Vulnerability of the Swiss electric power transmission grid against natural hazards | |
Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220107 |
|
WW01 | Invention patent application withdrawn after publication |