CN113987960A - 基于大数据的电网设备监控系统和方法 - Google Patents

基于大数据的电网设备监控系统和方法 Download PDF

Info

Publication number
CN113987960A
CN113987960A CN202111383120.0A CN202111383120A CN113987960A CN 113987960 A CN113987960 A CN 113987960A CN 202111383120 A CN202111383120 A CN 202111383120A CN 113987960 A CN113987960 A CN 113987960A
Authority
CN
China
Prior art keywords
equipment
power grid
information
fault
time
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
Application number
CN202111383120.0A
Other languages
English (en)
Inventor
甘杉
萧展辉
明哲
余芸
甘莹
邓丽娟
李文俊
马赟
冯志宏
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202111383120.0A priority Critical patent/CN113987960A/zh
Publication of CN113987960A publication Critical patent/CN113987960A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • H02J13/00001—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 the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00002—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 monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • 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
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本申请公开了一种基于大数据的电网设备监控系统和方法，涉及智能电网，方法包括以下步骤：获取电网设备上报的环境信息、设备日志、采集数据和设备信息；根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；根据所述设备日志获取报错信息的数量；根据设备信息获取设备的距离最近一次维修的时间和使用时长；将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。本申请可以用于预设设备故障，使得维护人员可以提前介入。

Description

基于大数据的电网设备监控系统和方法
技术领域
本申请涉及智能电网，特别是一种基于大数据的电网设备监控系统和方法。
背景技术
随着电力技术的发展，越来越多的新技术融合到电网中，形成一张“智能的电网”。智能电网对电网的性能提出了更高的要求。
智能电网中数据采集设备智能化数据化，可以产生更多数据。但是随着设备智能化，其产生故障的可能性也增加，传统定期维修的方法可能满足不了实际需要。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据的电网设备监控系统和方法，以提前预测设备可能出现故障的情况。
一方面，本申请实施例提供了一种基于大数据的电网设备监控方法，包括以下步骤：
获取电网设备上报的环境信息、设备日志、采集数据和设备信息；
根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；
根据所述设备日志获取报错信息的数量；
根据设备信息获取设备的距离最近一次维修的时间和使用时长；
将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。
在一些实施例中，所述预测模型包括风险评估子模型和神经网络子模型；
所述预测模型输出的结果根据所述风险评估子模型和神经网络子模型的输出结果加权得到。
在一些实施例中，所述风险评估子模型根据所述距离最近一次维修的时间、使用时长和环境信息对所述电网设备进行风险评分。
在一些实施例中，所述神经网络子模型通过以下方式训练得到：
获取故障设备在故障前的数据构建正样本集合，所述故障前的数据包括环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级的时间占比；
利用设备正常时产生的数据构建负样本集合；
根据正样本集合和负样本集合对初始化的神经网络模型进行训练，直到满足预设的训练条件，得到训练好的神经网络子模型。
在一些实施例中，所述获取故障设备在故障前的数据构建正样本集合，具体为：
在获取电网设备的故障信息时，根据故障信息得到故障时间；
根据故障时间截取该用电设备上传的数据作为该电网设备在故障前的数据。
在一些实施例中，还包括以下步骤：
当电网设备在预设时间内出现故障的概率大于第一阈值时，产生第一报警信息。
在一些实施例中，还包括以下步骤：
当存在直接连接关系的多台电网设备在预设时间内出现故障的概率均大于第二阈值时，产生第二报警信息。
在一些实施例中，所述电网设备设有故障动作记录组件，所述故障动作记录组件用于记录故障时间和故障类型。
在另一方面，本实施例公开了一种基于大数据的电网设备监控系统，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的基于大数据的电网设备监控方法。
在另一方面，本实施例公开了一种基于大数据的电网设备监控系统，包括：
获取单元，用于获取电网设备上报的环境信息、设备日志、采集数据和设备信息；
负荷分析单元，用于根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；
日志分析单元，用于根据所述设备日志获取报错信息的数量；
使用信息获取单元，用于根据设备信息获取设备的距离最近一次维修的时间和使用时长；
预测单元，用于将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。
本申请的有益效果是：通过获取电力设备的多个维度的参数，并利用预先训练好的预测模型对在未来一段预设时间的故障可能性进行预测，可以提前预测出存在高故障风险的用电设备，从而使得维护人员可以提前介入处理，避免电力供应中断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于大数据的电网设备监控方法的流程图；
图2是本发明实施例提供的一种基于大数据的电网设备监控系统的模块框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，以下将参照本申请实施例中的附图，通过实施方式清楚、完整地描述本申请的技术方案，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
智能电网：就是电网的智能化，也被称为“电网2.0”，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、激励和保护用户、抵御攻击、提供满足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。在本申请中，将人工智能技术融合到智能电网中，实现电网一部分功能的智能化。
参照图1，一种基于大数据的电网设备监控方法，本实施例所指的电网设备可以是变电站中的电力设备，虽然部分变电站的设备由冗余设计，但是提前发现风险并进行排查相对于故障产生时再进行维修可靠程度更高，对于风险低的电网设备可以减少维护频次，从而优化人工资源，节省成本，本实施例的方法包括以下步骤：
步骤101、获取电网设备上报的环境信息、设备日志、采集数据和设备信息。可以理解的是环境信息包括环境温度、环境湿度等，在本实施例中，环境温度和湿度可以按照平均值计算。设备日志是指设备在运行中产生的日志，这些信息中包含设备内部的运行信息，其中包括一些细小的异常信息，例如报错日志，这些日志说明设备出现一些问题，但是这些问题未必影响设备的运作。设备信息，包括设备的型号，设备的维护时间和投入使用的时间。这些时间都反应了设备的属性。
步骤102、根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比。
在本实施例中，设备采集数据主要具备统计意义的是负荷情况，在本实施例中采用平均负荷状态和处于不同负荷等级的时间占比。在本实施例中，可以将低于30％负荷作为低负荷等级，处于30％～70％的负荷作为中负荷等级，将处于70％以上的负荷状态作为高负荷等级。通过统计属于各负荷等级的时间比例，可以反映出设备真实的负荷状态。同时，通过分级的方式对参数进行了降为，降低模型的复杂性。
步骤103、根据所述设备日志获取报错信息的数量。在本实施例中，除了使用时间和维修时间等，其他参数按照一个预设的时间段进行统计，例如是一个月、半年等。
步骤104、根据设备信息获取设备的距离最近一次维修的时间和使用时长。最近一次维修时间越长，实际上故障风险越大，而使用时长越长，设备的故障风险也越大。
步骤105、将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。在一些实施例中，所述预测模型包括风险评估子模型和神经网络子模型；所述预测模型输出的结果根据所述风险评估子模型和神经网络子模型的输出结果加权得到。
可以理解的是，利用一个统计类的风险评估子模型对故障风险进行评分，并利用神经网络模型对设备故障风险进行预测，结合两者可以得到一个负荷实际状态的预测结果。
本实施例通过获取电力设备的多个维度的参数，并利用预先训练好的预测模型对在未来一段预设时间的故障可能性进行预测，可以提前预测出存在高故障风险的用电设备，从而使得维护人员可以提前介入处理，避免电力供应中断。
具体地，在一些实施例中，所述风险评估子模型根据所述距离最近一次维修的时间、使用时长和环境信息对所述电网设备进行风险评分。距离最近一次维修的时间、使用时长和环境信息这三个维度的参数，与设备的故障呈现明显的正相关性，可以通过统计模型(数学函数)进行分析，一般具备比较好的拟合性。而针对神经网络模型，主要是挖掘数据的隐含信息，数据维度与结果之间的相关性往往没有太高的确定性，因此需要通过不同的维度进行分析。
在一些实施例中，所述神经网络子模型通过以下方式训练得到：
获取故障设备在故障前的数据构建正样本集合，所述故障前的数据包括环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级的时间占比；
利用设备正常时产生的数据构建负样本集合；
根据正样本集合和负样本集合对初始化的神经网络模型进行训练，直到满足预设的训练条件，得到训练好的神经网络子模型。
可以理解的是，通过收集正样本集合和负样本集合对模型进行训练，在本实施例中，正样本可以理解为出现故障结果的样本，负样本为设备正常运作的样本。
在一些实施例中，所述电网设备设有故障动作记录组件，所述故障动作记录组件用于记录故障时间和故障类型。所述获取故障设备在故障前的数据构建正样本集合，具体为：
在获取电网设备的故障信息时，根据故障信息得到故障时间；
根据故障时间截取该用电设备上传的数据作为该电网设备在故障前的数据。
在本实施例中，设备均安装有故障动作记录组件，用于记录故障时间和故障类型，这一类设备可以独立供电依附于设备工作，主要用于采集设备故障动作的信息。配置上述的设备，可以及时生成用于训练模型的数据。
在一些实施例中，还包括以下步骤：
当电网设备在预设时间内出现故障的概率大于第一阈值时，产生第一报警信息。
当存在直接连接关系的多台电网设备在预设时间内出现故障的概率均大于第二阈值时，产生第二报警信息。
其中，第一阈值大于第二阈值。
单个设备故障风险大于一定阈值的时候说明该设备容易产生风险，而多个连接的设备均大于一定的阈值的时候说明情况相对严重。故可以设置比第一阈值更低的第二阈值作为多个设备故障触发报警的条件。
本实施例公开了一种基于大数据的电网设备监控系统，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的基于大数据的电网设备监控方法。
参照图2，本实施例公开了一种基于大数据的电网设备监控系统，包括：
获取单元，用于获取电网设备上报的环境信息、设备日志、采集数据和设备信息；
负荷分析单元，用于根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；
日志分析单元，用于根据所述设备日志获取报错信息的数量；
使用信息获取单元，用于根据设备信息获取设备的距离最近一次维修的时间和使用时长；
预测单元，用于将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。
通过获取电力设备的多个维度的参数，并利用预先训练好的预测模型对在未来一段预设时间的故障可能性进行预测，可以提前预测出存在高故障风险的用电设备，从而使得维护人员可以提前介入处理，避免电力供应中断。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。存储介质可包括：U盘、移动硬盘、只读存储器(Read-On ly Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于大数据的电网设备监控方法，其特征在于，包括以下步骤：
获取电网设备上报的环境信息、设备日志、采集数据和设备信息；
根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；
根据所述设备日志获取报错信息的数量；
根据设备信息获取设备的距离最近一次维修的时间和使用时长；
将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。
2.根据权利要求1所述的基于大数据的电网设备监控方法，其特征在于，所述预测模型包括风险评估子模型和神经网络子模型；
所述预测模型输出的结果根据所述风险评估子模型和神经网络子模型的输出结果加权得到。
3.根据权利要求2所述的基于大数据的电网设备监控方法，其特征在于，所述风险评估子模型根据所述距离最近一次维修的时间、使用时长和环境信息对所述电网设备进行风险评分。
4.根据权利要求2所述的基于大数据的电网设备监控方法，其特征在于，所述神经网络子模型通过以下方式训练得到：
获取故障设备在故障前的数据构建正样本集合，所述故障前的数据包括环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级的时间占比；
利用设备正常时产生的数据构建负样本集合；
根据正样本集合和负样本集合对初始化的神经网络模型进行训练，直到满足预设的训练条件，得到训练好的神经网络子模型。
5.根据权利要求3所述的基于大数据的电网设备监控方法，其特征在于，所述获取故障设备在故障前的数据构建正样本集合，具体为：
在获取电网设备的故障信息时，根据故障信息得到故障时间；
根据故障时间截取该用电设备上传的数据作为该电网设备在故障前的数据。
6.根据权利要求1所述的基于大数据的电网设备监控方法，其特征在于，还包括以下步骤：
当电网设备在预设时间内出现故障的概率大于第一阈值时，产生第一报警信息。
7.根据权利要求1所述的基于大数据的电网设备监控方法，其特征在于，还包括以下步骤：
当存在直接连接关系的多台电网设备在预设时间内出现故障的概率均大于第二阈值时，产生第二报警信息。
8.根据权利要求1所述的基于大数据的电网设备监控方法，其特征在于，所述电网设备设有故障动作记录组件，所述故障动作记录组件用于记录故障时间和故障类型。
9.一种基于大数据的电网设备监控系统，其特征在于，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1-8任一项所述的基于大数据的电网设备监控方法。
10.一种基于大数据的电网设备监控系统，其特征在于，包括：
获取单元，用于获取电网设备上报的环境信息、设备日志、采集数据和设备信息；
负荷分析单元，用于根据所述采集数据分析所述电网设备的平均负荷状态、处于各负荷等级的时间占比；
日志分析单元，用于根据所述设备日志获取报错信息的数量；
使用信息获取单元，用于根据设备信息获取设备的距离最近一次维修的时间和使用时长；
预测单元，用于将所述环境信息、报错信息的数量、距离最近一次维修的时间、使用时长、平均负荷状态和处于各负荷等级输入到预测模型中得到电网设备在预设时间内出现故障的概率。
CN202111383120.0A 2021-11-22 2021-11-22 基于大数据的电网设备监控系统和方法 Pending CN113987960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111383120.0A CN113987960A (zh) 2021-11-22 2021-11-22 基于大数据的电网设备监控系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111383120.0A CN113987960A (zh) 2021-11-22 2021-11-22 基于大数据的电网设备监控系统和方法

Publications (1)

Publication Number Publication Date
CN113987960A true CN113987960A (zh) 2022-01-28

Family

ID=79749619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111383120.0A Pending CN113987960A (zh) 2021-11-22 2021-11-22 基于大数据的电网设备监控系统和方法

Country Status (1)

Country Link
CN (1) CN113987960A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664009A (zh) * 2022-10-26 2023-01-31 国网新疆电力有限公司阿克苏供电公司 一种基于大数据的继电保护在线监测系统
CN116128486A (zh) * 2023-04-17 2023-05-16 烟台军诺智能科技有限公司 一种基于数据分析的水下光通信实时风险评估系统
CN116405587A (zh) * 2023-06-09 2023-07-07 深圳市江元科技(集团)有限公司 一种手机售后性能情况智能监测方法、系统和介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115664009A (zh) * 2022-10-26 2023-01-31 国网新疆电力有限公司阿克苏供电公司 一种基于大数据的继电保护在线监测系统
CN115664009B (zh) * 2022-10-26 2024-02-09 国网新疆电力有限公司阿克苏供电公司 一种基于大数据的继电保护在线监测系统
CN116128486A (zh) * 2023-04-17 2023-05-16 烟台军诺智能科技有限公司 一种基于数据分析的水下光通信实时风险评估系统
CN116405587A (zh) * 2023-06-09 2023-07-07 深圳市江元科技(集团)有限公司 一种手机售后性能情况智能监测方法、系统和介质
CN116405587B (zh) * 2023-06-09 2023-08-08 深圳市江元科技(集团)有限公司 一种手机售后性能情况智能监测方法、系统和介质

Similar Documents

Publication Publication Date Title
CN113987960A (zh) 基于大数据的电网设备监控系统和方法
EP3557819B1 (en) Server failure detection method and system
CN108052528A (zh) 一种存储设备时序分类预警方法
JP2013538543A (ja) 送電網用の機械学習
CN112001644B (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
WO2019196869A1 (zh) 一种确定巡检基站列表的方法以及巡检装置
CN111353911A (zh) 电力设备运维方法、系统、设备和存储介质
CN104899130A (zh) 一种应用程序管理方法及系统
CN112882796A (zh) 异常根因分析方法和装置，及存储介质
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN115865649B (zh) 一种智能运维管理控制方法、系统和存储介质
CN103926490A (zh) 一种具有自学习功能的电力变压器综合诊断方法
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN115550195A (zh) 流量抑制预测方法、电子设备、存储介质
CN116956639B (zh) 一种基于数据分析的高散热性蓄电池评估方法及系统
Wu et al. Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures
CN114169709A (zh) 变电站二次设备的状态评估方法、装置、存储介质及设备
CN117349624A (zh) 一种电力能源监控方法、系统、终端设备及存储介质
CN112444697A (zh) 一种电力线路信息监测系统及方法
CN112183610A (zh) 变压器故障预测方法及变压器故障预测装置
CN116881958A (zh) 电网大数据安全防护方法、系统、电子设备及存储介质
Nie et al. Research on AHP-based Multi-factor Medium Voltage Distribution Network Line Risk Quantitative Assessment Method
CN115146727A (zh) 一种智能用电系统故障检测方法及系统
CN115204487A (zh) 一种设备状态监控方法、装置、设备及存储介质
CN110321527B (zh) 一种基于多元基础信息融合的数据有效性判别方法

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