CN113988325A - 一种电力系统故障预警方法、装置、终端设备及存储介质 - Google Patents
一种电力系统故障预警方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113988325A CN113988325A CN202111172695.8A CN202111172695A CN113988325A CN 113988325 A CN113988325 A CN 113988325A CN 202111172695 A CN202111172695 A CN 202111172695A CN 113988325 A CN113988325 A CN 113988325A
- Authority
- CN
- China
- Prior art keywords
- running state
- power system
- state parameters
- early warning
- parameter
- 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
Images
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
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- 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
Abstract
本发明公开了一种电力系统故障预警方法、装置、终端设备及存储介质,所述包括:提取当前时段内电力系统中各测点的测点数据,获得电力系统的各运行状态参数,继而将所有运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;将特征列运行状态参数输入至已训练好的预测模型中,以使预测模型根据特征列运行状态参数,生成对应的预测标签列运行状态参数;计算标签列运行状态参数与预测标签列运行状态参数的参数差值,继而根据参数差值进行故障预警。通过实施本发明能够在提高电力系统中故障预警的准确性。
Description
技术领域
本发明涉及故障预警技术领域,尤其涉及一种电力系统故障预警方法、装置、终端设备及存储介质。
背景技术
当今电力系统中对设备异常的响应多依赖于DCS系统中预先设置的报警上下限(LL/L/H/HH)及对应连锁控制机制。在电力系统的某一运行状态参数超过其对应的报警上下值后则进行预警。但是在电力系统的实际运行过程中会存在多种工况,电力系统的同一运行状态参数在不同工况下会对应有不同的正常值,若在某一工况下一运行状态参数已经偏离了该工况下的正常值,但是却未超过DCS系统所设定报警上下限,此时DCS是无法进行报警的。可见现有DCS系统所使用的报警方式的时效性和准确性较低。
发明内容
本发明实施例提供一种电力系统故障预警方法、装置、终端设备及存储介质,能够在提高电力系统中故障预警的准确性。
本发明一实施例提供一种电力系统故障预警方法,包括:提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;
将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数;
计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
进一步的,所述预测模型的训练方法,具体包括:
提取电力系统正常运行时各测点的历史测点数据,获得各历史运行状态参数,继而将所有所述历史运行状态参数分为两类,获得历史特征列运行状态参数以及历史标签列运行状态参数;
将所述历史特征列运行状态参数以及历史标签列运行状态参数作为所述预测模型的数据集样本,并按照预设的比例将所述数据集样本划分为训练数据集以及评估数据集;
根据所述训练数据对初始多元线性回归模型进行训练,获得所述预测模型。
进一步的在获得所述预测模型之后,还包括:
将所述评估数据集中的历史特征列运行状态参数输入至所述预测模型中,以使所述预测模型生成第二历史标签列运行状态参数;
计算所述历史标签列运行状态参数与所述第二历史标签列运行状态参数的差值;
在所述差值大于预设差值时,重新对所述预测模型进行训练。
进一步的,在训练所述预测模型时,通过大数据集群框架下的Spark引擎进行分布式计算,并由Yarn进行资源调度;在获得所述预测模型之后,还包括:将所述预测模型存储在HDFS上。
进一步的,所述根据所述参数差值进行故障预警,具体包括:
若所述参数差值大于预设上限阈值,则生成HIAL类型预警;
若所述参数差值小于预设下限阈值,则生成LOAL类型预警
若所述参数差值在大于或等于预设下限阈值,且小于或等于所述上限阈值,则判定所述电力系统正常不进行故障预警。
进一步的,所述电力系统故障预警方法还包括:将所述参数差值存储在预设的数据库中;
在响应用户的数据展示操作时,从所述数据库中提取所述参数差值,继而根据所述参数差值生成数据波动图并将所述数据波动图进行显示。
在上述方法项实施例的基础上本发明对应提供了装置项实施例;
本发明一实施例提供了一种电力系统故障预警装置,包括:数据获取模块、预测模块以及预警模块;
所述数据获取模块,用于提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;
所述预测模块,用于将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数;
所述预警模块,用于计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
在上述方法项实施例的基础上,本发明对应提供了终端设备项实施例;
本发明一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现本发明任意一项所述的电力系统故障预警方法。
在上述方法项实施例的基础上,本发明对应提供了存储介质项实施例;
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的电力系统故障预警方法。
通过实施本发明具有如下有益效果:
本发明实施例提供了一种电力系统故障预警方法、装置、终端设备及存储介质,所述方法将电力系统中各测点数据,分成特征列运行状态参数和标签列运行状态参数,然后将特征列运行状态参数输入至预测模型中,预测模型根据特征列运行状态参数生成预测的预测标签列运行状态参数,最后计算预测的预测标签列运行状态参数与实际采集的标签列运行状态参数的差值,根据差值进行故障预警。在电力系统中各测点的数据是具有关联性的,例如上游设备的某一阀门的开度会对下游设备另一阀门的温度造成影响,若电力系统正常运行那么各个测点的数据会保持着一定的对应关系,一旦电力系统异常就会破坏这种对应关系,基于这一点本发明将实际采集的各测点的数据分为特征列运行状态参数和标签列运行状态参数,以特征列运行状态参数表征电力系统的运行工况、以标签列运行状态参数作为电力系统在对应的运行工况下是否正常运行的评价指标,如果电力系统正常运行那么由于各测点的关联性,此时根据特征列运行状态参数所预测出的预测标签列运行状态参数与实际采集的标签列运行状态参数应该在预设的误差范围内,一旦超过了预设的误差范围,说明此时实际采集的标签列运行状态参数与实际采集的特征列运行状态参数不对应,此时即可判断电力系统存在异常,相比于现有技术,本发明不再基于固定的上限制值或下限制进行预警,而是比较实际采集的参数与预测出来的参数的差值,来判断实际采集的参数是否与当前的运行工况相对应,从而进行故障预警,能够大大提供预警的时效性和准确性。
附图说明
图1是本发明一实施例提供的一种电力系统故障预警方法的流程示意图。
图2是本发明一实施例提供的一种电力系统故障预警方法的另一流程示意图。
图3是本发明一实施例提供的一种电力系统故障预警装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
同时参见图1和图2,本发明一实施例提供了一种电力系统故障预警方法,至少包括如下步骤:
步骤S101:提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数。
步骤S102:将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数。
步骤S103:计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
对与步骤S101,在电力系统的各个测点处布设传感器,通过传感器采集电力系统运行过程中的各个参数,得到上述各测点的测点数据;优选的所采集的数据可同步至openPlant数据库中;紧接着提取当前时段内各个传感器的数据,获得上述各个测点数据;每个测点数据都记录着采集的时间以及数据类型(例如:温度、气压等),优选的从上述测点数据中选定一个或多个数据项作为标签列运行状态参数,其余的测点数据作为特征列运行状态参数。
对于步骤S102,首先对预测模型的训练进行说明,在一个优选实施例中,所述预测模型的训练方法,具体包括:
提取电力系统正常运行时各测点的历史测点数据,获得各历史运行状态参数,继而将所有所述历史运行状态参数分为两类,获得历史特征列运行状态参数以及历史标签列运行状态参数;
将所述历史特征列运行状态参数以及历史标签列运行状态参数作为所述预测模型的数据集样本,并按照预设的比例将所述数据集样本划分为训练数据集以及评估数据集;
根据所述训练数据对初始多元线性回归模型进行训练,获得所述预测模型。
在一个优选的实施例中,在获得所述预测模型之后,还包括:
将所述评估数据集中的历史特征列运行状态参数输入至所述预测模型中,以使所述预测模型生成第二历史标签列运行状态参数;
计算所述历史标签列运行状态参数与所述第二历史标签列运行状态参数的差值;
在所述差值大于预设差值时,重新对所述预测模型进行训练。
在一个优选的实施例中,在训练所述预测模型时,通过大数据集群框架下的Spark引擎进行分布式计算,并由Yarn进行资源调度;在获得所述预测模型之后,还包括:将所述预测模型存储在HDFS上。
具体的,模型训练时包括以下几个步骤:
数据获取:从openPlant实时数据库中,提取历史中电力系统正常运行时的测点数据,所提取的测点数据包含测点的类型、具体的数值以及测点时间戳,如温度测点x1按照每秒一次采样频率获取到的数据包含测点类型温度,温度值,温度采集时间。
特征向量工程,提取特征向量:将测点数据按照采集时间分组,并选定标签列运行状态参数以及特征列运行状态参数,构建包含特征列Features(x1 x2 x3 ... xm)和标签列L的特征向量,如按照每秒一次采样频率,当前时间戳t时分组获得的特征向量为(x1t x2tx3t x4t … xmt,lt)。其中,xm表示第m个测点的测点数据,xmt表示第m个测点t时刻的测点数据,lt表示被选定为标签列运行参数在t时刻的数据。
模型训练:将上述所提取的数据作为模型数据集样本,按照8∶2的比例将数据集样本划分为训练集以及评估集,训练集作为模型训练使用,评估集用作模型评估。模型训练通过大数据集群框架下的Spark引擎进行分布式计算,由Yarn进行资源调度,最终训练所得模型存储在HDFS上。训练的初始模型为f(xi)=ωTxi+b,xi为特征列向量中的第i个特征量数值,ω和b为模型的参数,将ω和b吸收入向量形式相应的数据集Features(x1x2 x3 ... xm)表示为矩阵X,模型训练过程公式如下:
式中n是所拉取的一段时间的历史数据的数据条数;
模型评估阶段,在模型训练完毕后,将模型评估集P中的特征列Features(x1 x2 x3... xm)、以及标签列L带入模型进行计算预测标签列LP,根据每秒一次采样频率计算预测标签所得多个值lPi,计算li与lPi平均差的绝对值记为计算公式如下:
式中n是所拉取的一段时间的历史数据的数据条数;
对最优模型进行评估和测试,若模型预测的值和实时数据值在设定的差值内,则该模型可以使用。如果差值过大则调取数据再次进行训练,直到在差值之内。最后将训练所得模型存入HDFS中,供预测阶段使用。
在预测模型训练完毕后即可使用已训练好的预测模型进行预测;
示意性的,从openPlant实时数据库拉取的当前时间段内的实时数据,可以是最近一小时、最近十分钟等时间段,获得步骤S101所示的当前时段内的测点数据,然后将测点数据以时间戳分组并选定特征列运行状态参数以及标签列运行状态参数,紧接着从HDFS中读取已经训练好的预测模型,将特征列运行状态参数输入预测模型中,由大数据框架下的分布式计算引擎Spark进行实时计算,低延迟得出预测标签列运行状态参数LP即预测值,将预测值与实际值进行做差,差值记为G,计算公式如下:
对于步骤S103,在一个优选的实施例中,所述根据所述参数差值进行故障预警,具体包括:
若所述参数差值大于预设上限阈值,则生成HIAL类型预警;
若所述参数差值小于预设下限阈值,则生成LOAL类型预警;
若所述参数差值在大于或等于预设下限阈值,且小于或等于所述上限阈值,则判定所述电力系统正常不进行故障预警。
具体的。将差值Gi与预设波动上限upperLimit和lowerLimit进行循环遍历比较,如果Gi>upperLimit即差值大于预设上限阈值,进行HIAL类型报警;如果Gi<lowerLimit即差值小于预设下限阈值,进行LOAL类型报警,从而完成预警。
在实际情况中可以选定不同类型的测点数据作为标签列运行状态参数,实现多维度的预警分析。
在一个优选的实施例中,还包括将所述参数差值存储在预设的数据库中;
在响应用户的数据展示操作时,从所述数据库中提取所述参数差值,继而根据所述参数差值生成数据波动图并将所述数据波动图进行显示。
在这一实施例中,将模型预测所得预测标签列运行状态参数和实际所采集的标签列运行状态参数的差值,存储到MySQL数据库中便于有需要时从MySQL数据库拉取数据在用户平台页面端实时展示数据波动图形。
当然在其他优选的实施例中,也可以将模型预测所得预测标签列运行状态参数、实际所采集的标签列运行状态参数、以及两者的差值,一同存储到MySQL数据库中,便于有需要时从MySQL数据库拉取数据在用户平台页面端实时展示数据波动图形。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例;
如图3所示,本发明一实施例提供了一种电力系统故障预警装置,包括:数据获取模块、预测模块以及预警模块;
所述数据获取模块,用于提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;
所述预测模块,用于将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数;
所述预警模块,用于计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
需说明的是,本发明上述装置项实施例是与本发明方法项实施例相对应的,其可以实现本发明上述任意一实施例所述的电力系统故障预警方法,此外基于以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在上述方法项实施例的基础上,本发明对应提供了终端设备项实施例;
本发明一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现所述本发明任意一项的电力系统故障预警方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述方法项实施例的基础上,本发明对应提供了存储介质项实施例;
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的电力系统故障预警方法。
所述存储介质为计算机可读存储介质,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本发明将机器学习和大数据分析技术应用到电力系统故障预警中,可以对电力系统运行状况的变化进行有效的分析和预测,避免人工监测设备运行情况带来的错误率高和低效的结果;其次,以大数据分析为基础,在大数据集群框架下的Spark引擎进行分布式计算,由Yarn进行资源调度,最终训练所得模型存储在HDFS上,有庞大的数据存储库,实时数据互传和响应速度极快,设定合理的阈值报警机制,有更高的预判精准度;再次,通过实时数据库openPlant进行数据采集、存储和同步,可对海量动态数据进行有效处理,可靠性高;此外,对数据按照采集时间分组,能同时对多种传感器数据进行故障预警,效率高;此外,本发明在训练获得故障预警模型后进行模型评估,仅保留最优模型,有效提高模型预测可靠性,进而提高预警准确性,而且本发明可通过网页流程可视化进行报警情况管理,实时监控和报警机制可以及时进行人工检查,减少过度保护的紧急停运。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种电力系统故障预警方法,其特征在于,包括:
提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;
将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数;
计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
2.如权利要求1所述的电力系统故障预警方法,其特征在于,所述预测模型的训练方法,具体包括:
提取电力系统正常运行时各测点的历史测点数据,获得各历史运行状态参数,继而将所有所述历史运行状态参数分为两类,获得历史特征列运行状态参数以及历史标签列运行状态参数;
将所述历史特征列运行状态参数以及历史标签列运行状态参数作为所述预测模型的数据集样本,并按照预设的比例将所述数据集样本划分为训练数据集以及评估数据集;
根据所述训练数据对初始多元线性回归模型进行训练,获得所述预测模型。
3.如权利要求2所述的电力系统故障预警方法,其特征在于,在获得所述预测模型之后,还包括:
将所述评估数据集中的历史特征列运行状态参数输入至所述预测模型中,以使所述预测模型生成第二历史标签列运行状态参数;
计算所述历史标签列运行状态参数与所述第二历史标签列运行状态参数的差值;
在所述差值大于预设差值时,重新对所述预测模型进行训练。
4.如权利要求2所述的电力系统故障预警方法,其特征在于,在训练所述预测模型时,通过大数据集群框架下的Spark引擎进行分布式计算,并由Yarn进行资源调度;在获得所述预测模型之后,还包括:将所述预测模型存储在HDFS上。
5.如权利要求1所述的电力系统故障预警方法,其特征在于,所述根据所述参数差值进行故障预警,具体包括:
若所述参数差值大于预设上限阈值,则生成HIAL类型预警;
若所述参数差值小于预设下限阈值,则生成LOAL类型预警
若所述参数差值在大于或等于预设下限阈值,且小于或等于所述上限阈值,则判定所述电力系统正常不进行故障预警。
6.如权利要求1所述的电力系统故障预警方法,其特征在于,还包括:
将所述参数差值存储在预设的数据库中;
在响应用户的数据展示操作时,从所述数据库中提取所述参数差值,继而根据所述参数差值生成数据波动图并将所述数据波动图进行显示。
7.一种电力系统故障预警装置,其特征在于,包括:数据获取模块、预测模块以及预警模块;
所述数据获取模块,用于提取当前时段内电力系统中各测点的测点数据,获得所述电力系统的各运行状态参数,继而将所有所述运行状态参数划分为两类,获得特征列运行状态参数以及标签列运行状态参数;
所述预测模块,用于将所述特征列运行状态参数输入至已训练好的预测模型中,以使所述预测模型根据所述特征列运行状态参数,生成对应的预测标签列运行状态参数;
所述预警模块,用于计算所述标签列运行状态参数与所述预测标签列运行状态参数的参数差值,继而根据所述参数差值进行故障预警。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的电力系统故障预警方法。
9.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至6中任意一项所述的电力系统故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111172695.8A CN113988325A (zh) | 2021-10-08 | 2021-10-08 | 一种电力系统故障预警方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111172695.8A CN113988325A (zh) | 2021-10-08 | 2021-10-08 | 一种电力系统故障预警方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988325A true CN113988325A (zh) | 2022-01-28 |
Family
ID=79737761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111172695.8A Pending CN113988325A (zh) | 2021-10-08 | 2021-10-08 | 一种电力系统故障预警方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988325A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912509A (zh) * | 2022-04-06 | 2022-08-16 | 上海擎测机电工程技术有限公司 | 基于设备历史数据及实时数据的设备评估模型建立方法 |
CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
-
2021
- 2021-10-08 CN CN202111172695.8A patent/CN113988325A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912509A (zh) * | 2022-04-06 | 2022-08-16 | 上海擎测机电工程技术有限公司 | 基于设备历史数据及实时数据的设备评估模型建立方法 |
CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
CN116436106B (zh) * | 2023-06-14 | 2023-09-05 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
CN117060409B (zh) * | 2023-10-13 | 2023-12-29 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988325A (zh) | 一种电力系统故障预警方法、装置、终端设备及存储介质 | |
US11216741B2 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
EP2797034B1 (en) | Event analyzer and computer-readable storage medium | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN112231181B (zh) | 数据异常更新检测方法、装置、计算机设备及存储介质 | |
CN111984503A (zh) | 一种监控指标数据异常数据识别的方法及装置 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN107944721B (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
CN108009063B (zh) | 一种电子设备故障阈值检测的方法 | |
JPWO2017150286A1 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
EP4160341A1 (en) | Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program | |
CN116359658A (zh) | 一种电力设备异常判断方法、装置、电子设备及存储介质 | |
CN114112819A (zh) | 一种测量磨矿粒度的方法及装置 | |
EP4160338A1 (en) | Abnormal modulation cause display device, abnormal modulation cause display method, and abnormal modulation cause display program | |
CN112445682B (zh) | 一种系统监控方法、装置、设备及存储介质 | |
CN110688273A (zh) | 分类模型的监控方法、装置、终端以及计算机存储介质 | |
US20230213927A1 (en) | Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN114564853B (zh) | 一种基于fmea数据的评价报告的生成方法及电子设备 | |
CN113052272A (zh) | 一种异常检测方法、装置、电子设备及存储介质 |
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 |