CN114429148A - 一种基于多源数据融合的电力设备状态检测方法 - Google Patents

一种基于多源数据融合的电力设备状态检测方法 Download PDF

Info

Publication number
CN114429148A
CN114429148A CN202011097745.6A CN202011097745A CN114429148A CN 114429148 A CN114429148 A CN 114429148A CN 202011097745 A CN202011097745 A CN 202011097745A CN 114429148 A CN114429148 A CN 114429148A
Authority
CN
China
Prior art keywords
data
fusion
power equipment
remote
state detection
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
CN202011097745.6A
Other languages
English (en)
Inventor
赵扬
张明
周航
杨斌
孙佳炜
朱天昊
张锐
赵博
薛伟强
张佩
罗旺
郝运河
朱成诚
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.)
Nari Information and Communication Technology Co
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nari Information and Communication Technology Co
Nanjing Power Supply Co of State Grid Jiangsu Electric Power 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 Nari Information and Communication Technology Co, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nari Information and Communication Technology Co
Priority to CN202011097745.6A priority Critical patent/CN114429148A/zh
Publication of CN114429148A publication Critical patent/CN114429148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于多源数据融合的电力设备状态检测方法，包括：获取数据、剔除无效数据、一级融合和二级融合等步骤。本发明采用多个数据融合方法对电力设备状态进行综合分析，获得的电力设备状态具有较高的准确率，具有较高的应用价值，可以有效提高电力巡检工作的智能化水平。

Description

一种基于多源数据融合的电力设备状态检测方法
技术领域
本发明涉及一种基于多源数据融合的电力设备状态检测方法，属于电力设备技术领域。
背景技术
随着我国电力系统发展的规模不断扩大，通信技术、互联网技术、传感器等新科技的不断发展，人类社会步步走入智能电网的时代。由大量传感器以及计算机分析产生了海量的形式结构不同的数据，这些数据从全方位反映着智能电网的运行状态与运行环境，如何准确的利用这项资源已经是一个全球性的话题。现代电力系统技术发展的短期目标是建立一个包含电力系统多个环节的实时监测体系，解决过去数据获取渠道单一、监测数据应用面狭窄、分析不彻底的难题。
电力设备作为电网的基本组成单元，是电网安全、可靠和稳定运行的基础。其中，电力设备的状态监测数据是分析和预测设备状态发展的重要依据。随着状态监测技术的发展和电网各种自动化信息应用系统的交互关联，使得电力设备状态数据量呈现出大数据的数据，规模庞大、更新速度快、多源异构和价值密度低等特点，因此具备了利用数据融合技术分析处理的适用性和可行性。面对电力设备数据的来源多样化的特点，需要将电力设备的数据进行融合，提高电力设备状态判断依据的准确性，对智能分析系统提供最有力的决策支持。目前，电力设备多源数据融合的研究多针对于电力设备的故障定位和配电网多源数据的辨识和校核。如何利用有效的数据融合技术将视频监控智能分析结果与调控数据、传感器数据相结合，综合分析电力设备状态成为目前电力系统需要解决的问题之一。
发明内容
本发明在于提出一种解决数据获取渠道单一、监测数据应用面狭窄、分析不彻底的问题的基于多源数据融合的电力设备状态检测方法。
为了解决上述技术问题，本发明提出的技术方案是：一种基于多源数据融合的电力设备状态检测方法，包括如下步骤：
步骤S1，获取电力设备的遥测数据、遥信数据和遥视数据；
步骤S2，通过聚类方法剔除遥测数据、遥信数据和遥视数据中的异常值，降低噪声总量级，将无效异常数据剔除不进行数据融合；
步骤S3，一级融合；采用自适应加权平均方法来融合遥测数据和遥信数据，自适应根据最小均方误差寻找对应的权值；
步骤S4，采用卷积神经网络智能算法提取遥视数据的特征，并训练模型，利用模型对遥视数据分析，实现遥视图像的识别；
步骤S5，采用协方差交叉算法对步骤S3和步骤S4的结果进行二级融合。
上述方案进一步的改进在于：所述步骤S2具体包括如下流程：
用聚类法构造k时刻的时间序列，然后获得k+1时刻的预测值以及预测值与观察值之间的残差；按照狄克松原理判断k+1时刻残差是否为异常；若为异常，则去除当前获取值，正常则保留。
上述方案进一步的改进在于：所述步骤S3具体包括如下流程：
采用自适应加权平均法，对步骤S2处理后的数据进行融合，则融合后的数据满足公式：
Figure BDA0002724313860000021
均方误差为：
Figure BDA0002724313860000022
其中X为待估真值，Xi,Xj为所述步骤2处理后的遥测数据，遥信数据,wi为对应的权值，由均方误差最小原则，自适应找到各数据对应的权值
Figure BDA0002724313860000023
上述方案进一步的改进在于：所述步骤S5具体包括如下流程：
S51，设步骤S3所得结果为a，设步骤S4所得结果为b,则a和b的自协方差矩阵和互协方差矩阵分别为：
Figure BDA0002724313860000024
其中
Figure BDA0002724313860000025
Figure BDA0002724313860000026
S52，融合方法按照c＝Waa+Wbb计算，其中c为融合后的估计值，Wa，Wb为线性加权阵，Wa＝Pbb(Paa+Pbb)-1，Wb＝Paa(Paa+Pbb)-1，c的协方差计算式为：
Figure BDA0002724313860000027
由于a和b是不相关，所以pab＝0,那么融合估计量为：c＝a+paa(paa+pbb)-1(b-a)；
S53，paa(paa+pbb)-1(b-a)决定了融合估计的最优性，通过pcc的行列式最小准则，通过最优化方法得到。
上述方案进一步的改进在于：所述步骤S1中，从设备生产管理系统获取电力设备的遥测数据，从调度管理系统获取电力设备的遥信数据，从统一视频监控平台并结合智能分析模块中获取电力设备的遥视数据。
本发明提供的基于多源数据融合的电力设备状态检测方法，融合电力设备生产管理系统的遥测信息、调度管理系统的遥信信息、统一视频监控平台和人工智能分析模块的遥视信息，综合分析并得出相关电力设备的当前状态，为巡检人员准确判断分析当前设备状态提供了一个有力的三重判断依据。本发明采用多个数据融合方法对设备状态进行综合分析，获得的设备状态具有较高的准确率，具有较高的应用价值，可以有效提高电力巡检工作的智能化水平。
附图说明
下面结合附图对本发明做进一步说明。
图1是本发明一个优选的实施例示意图。
具体实施方式
实施例
本实施例提供的基于多源数据融合的电力设备状态检测方法，如图1所示，包括如下步骤：
步骤S1，从设备生产管理系统获取设备的遥测数据，从调度管理系统获取设备的遥信数据，从统一视频监控平台并结合智能分析模块中获取设备的遥视数据；
步骤S2，无效以及异常数据会影响最终的融合结果，因此在融合前需要对采集到的数据进行有效性分析，通过聚类方法剔除采集信号中的异常值，降低噪声总量级，将无效异常数据剔除不进行数据融合；数据预处理；用聚类法构造k时刻的时间序列，然后获得k+1时刻的预测值以及预测值与观察值之间的残差；按照狄克松原理判断k+1时刻残差是否为异常；若为异常，则去除当前获取值，正常则保留；具体的，本实施例中，观察值也即为实际数据；
步骤S3，一级融合；采用自适应加权平均方法来融合遥测数据和遥信数据，自适应根据最小均方误差寻找对应的权值；具体的流程为：
采用自适应加权平均法，对预处理后的数据进行融合，设xi为预处理后的数据，wi为对应的权值，则融合后的数据满足公式：
Figure BDA0002724313860000031
均方误差为：
Figure BDA0002724313860000032
其中X为待估真值，Xi,Xj为所述步骤2处理后的遥测数据，遥信数据,wi为对应的权值，由均方误差最小原则，自适应找到各数据对应的权值
Figure BDA0002724313860000033
步骤S4，采用卷积神经网络智能算法提取遥视数据的特征，并训练模型，利用模型对遥视数据分析，实现遥视图像的识别；
步骤S5，采用协方差交叉算法对步骤S3和步骤S4的结果进行二级融合；具体流程为：
S51，设步骤S3所得结果为a，设步骤S4所得结果为b,则a和b的自协方差矩阵和互协方差矩阵分别为：
Figure BDA0002724313860000041
其中
Figure BDA0002724313860000042
Figure BDA0002724313860000043
S52，融合方法按照c＝Waa+Wbb计算，其中c为融合后的估计值，Wa，Wb为线性加权阵，Wa＝Pbb(Paa+Pbb)-1，Wb＝Paa(Paa+Pbb)-1，c的协方差计算式为：
Figure BDA0002724313860000044
由于在此处，a和b是不相关，所以pab＝0,那么融合估计量则可以记为：c＝a+paa(paa+pbb)-1(b-a)；
S53，paa(paa+pbb)-1(b-a)决定了融合估计的最优性，通过pcc的行列式最小准则，通过最优化方法得到。
进一步的，数据分类参照以下表格中的设备分类：
表1设备数据分类
Figure BDA0002724313860000045
本发明不局限于上述实施例，凡采用等同替换形成的技术方案，均落在本发明要求的保护范围。

Claims (5)

1.一种基于多源数据融合的电力设备状态检测方法，其特征在于，包括如下步骤：
步骤S1，获取电力设备的遥测数据、遥信数据和遥视数据；
步骤S2，通过聚类方法剔除遥测数据、遥信数据和遥视数据中的异常值，降低噪声总量级；
步骤S3，一级融合；采用自适应加权平均方法来融合遥测数据和遥信数据，自适应根据最小均方误差寻找对应的权值；
步骤S4，采用卷积神经网络算法提取遥视数据的特征，并训练模型，利用模型对遥视数据分析，实现遥视图像的识别；
步骤S5，采用协方差交叉算法对步骤S3和步骤S4的结果进行二级融合。
2.根据权利要求1所述的基于多源数据融合的电力设备状态检测方法，其特征在于：所述步骤S2具体包括如下流程：
用聚类法构造k时刻的时间序列，然后获得k+1时刻的预测值以及预测值与观察值之间的残差；按照狄克松原理判断k+1时刻残差是否为异常；若为异常，则去除当前获取值，正常则保留。
3.根据权利要求1所述的基于多源数据融合的电力设备状态检测方法，其特征在于：所述步骤S3具体包括如下流程：
采用自适应加权平均法，对步骤S2处理后的数据进行融合，则融合后的数据满足公式：
Figure FDA0002724313850000011
均方误差为：
Figure FDA0002724313850000012
其中X为待估真值，Xi,Xj为所述步骤2处理后的遥测数据，遥信数据,wi为对应的权值，由均方误差最小原则，自适应找到各数据对应的权值
Figure FDA0002724313850000013
4.根据权利要求1所述的基于多源数据融合的电力设备状态检测方法，其特征在于：所述步骤S5具体包括如下流程：
S51，设步骤S3所得结果为a，设步骤S4所得结果为b,则a和b的自协方差矩阵和互协方差矩阵分别为：
Figure FDA0002724313850000014
其中
Figure FDA0002724313850000015
Figure FDA0002724313850000016
S52，融合方法按照c＝Waa+Wbb计算，其中c为融合后的估计值，Wa，Wb为线性加权阵，Wa＝Pbb(Paa+Pbb)-1，Wb＝Paa(Paa+Pbb)-1，c的协方差计算式为：
Figure FDA0002724313850000021
由于a和b是不相关，所以pab＝0,那么融合估计量为：c＝a+paa(paa+pbb)-1(b-a)；
S53，paa(paa+pbb)-1(b-a)决定了融合估计的最优性，通过pcc的行列式最小准则，通过最优化方法得到。
5.根据权利要求1所述的基于多源数据融合的电力设备状态检测方法，其特征在于：所述步骤S1中，从设备生产管理系统获取电力设备的遥测数据，从调度管理系统获取电力设备的遥信数据，从统一视频监控平台并结合智能分析模块中获取电力设备的遥视数据。
CN202011097745.6A 2020-10-14 2020-10-14 一种基于多源数据融合的电力设备状态检测方法 Pending CN114429148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011097745.6A CN114429148A (zh) 2020-10-14 2020-10-14 一种基于多源数据融合的电力设备状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011097745.6A CN114429148A (zh) 2020-10-14 2020-10-14 一种基于多源数据融合的电力设备状态检测方法

Publications (1)

Publication Number Publication Date
CN114429148A true CN114429148A (zh) 2022-05-03

Family

ID=81309857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011097745.6A Pending CN114429148A (zh) 2020-10-14 2020-10-14 一种基于多源数据融合的电力设备状态检测方法

Country Status (1)

Country Link
CN (1) CN114429148A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578632A (zh) * 2023-07-14 2023-08-11 江苏未来网络集团有限公司 电力设备全生命周期管理系统、方法、计算机设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578632A (zh) * 2023-07-14 2023-08-11 江苏未来网络集团有限公司 电力设备全生命周期管理系统、方法、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN109977916B (zh) 一种基于嵌入式平台的变压器油中溶解气体在线监测系统
CN103812577A (zh) 非正常无线电信号的自动识别系统及其方法
CN111738348B (zh) 一种电力数据异常检测方法和装置
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN113095189B (zh) 基于机器视觉和数据分析的电力系统变电站运行环境安全智能监测管理系统
CN116108402A (zh) 基于电力多源异构数据融合分析的方法、设备及存储介质
CN116826958A (zh) 一种数字化输电通道智能安全巡检方法
CN116956189A (zh) 一种电流异常检测系统、方法、电子设备及介质
CN112734977A (zh) 一种基于物联网的设备风险预警系统及算法
CN114429148A (zh) 一种基于多源数据融合的电力设备状态检测方法
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
CN117312801A (zh) 基于ai的智慧城市监控系统及方法
CN116522096A (zh) 基于动作捕捉的三维数字孪生内容智能制作方法
CN110455370B (zh) 防汛抗旱远程遥测显示系统
CN116401604B (zh) 进行冷头状态分类检测和寿命预测的方法
CN117726959B (zh) 基于智能图像识别的无人机电力线路安全巡检系统及方法
CN117808157B (zh) 基于智能识别的未报备停电行为预测分析系统
CN116826977B (zh) 一种光储直柔微电网智能管理系统
CN117493129B (zh) 一种计算机控制设备的运行功率监测系统
CN115884006B (zh) 基于AIoT的校园安全防控系统和方法
CN117829211A (zh) 一种基于自注意力机制的光伏功率预测方法
CN116706939A (zh) 一种具有能量回收的振荡抑制方法
CN118193954A (zh) 一种基于边缘计算的配电网异常数据检测方法及系统
CN116010384A (zh) 一种面向电缆性能评价的时空冗余数据融合方法及系统

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