CN114429175A - 一种考虑分布式处理信息的配网预警方法 - Google Patents
一种考虑分布式处理信息的配网预警方法 Download PDFInfo
- Publication number
- CN114429175A CN114429175A CN202111589600.2A CN202111589600A CN114429175A CN 114429175 A CN114429175 A CN 114429175A CN 202111589600 A CN202111589600 A CN 202111589600A CN 114429175 A CN114429175 A CN 114429175A
- Authority
- CN
- China
- Prior art keywords
- information
- abnormal
- distribution network
- early warning
- data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种考虑分布式处理信息的配网预警方法,其包括对电网终端数据统一采集并进行预处理;检测采集的信息是否合格,若合格则进行异常判断,不合格则删除;基于递归深度学习措施对合格信息提取和过滤;将最后获得的信息输送呈递至控制中心,再对数据统一整理存储至后台,利用输定值判别信息;本发明经济利益高、配电网环境安全;可以实时监测;降低数据阻塞的风险,减少了干扰数据。
Description
技术领域
本发明涉及配电网预警方法优化技术领域,特别是一种考虑分布式处理信息的配网预警方法。
背景技术
由于配网结构偏复杂,且需达成多种终端用户的用电供给条件。由于人均耗电量一直呈现上升状态,配网用电负荷也相应变大,造成配网出现异常问题的机率同样升高。思索到正处于科技水平飞快提升的环境,普及智能化配网是当前发展目标,目前绝大部分配网已安装异常监测设备,一定程度内可对异常现象发出预警信号。假如配网出现多重繁杂的异常现象,许多异常数据同时流进配网运行中心,造成瞬间数据阻塞,再加上所产生的数据大部分掺杂着干扰内容,只有少量的数据可确定异常点位置及判断异常类型。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于现有技术中存在的问题,提出了本发明。
因此,本发明所要解决的技术问题是假如配网出现多重繁杂的异常现象,许多异常数据同时流进配网运行中心,造成瞬间数据阻塞,再加上所产生的数据大部分掺杂着干扰内容,只有少量的数据可确定异常点位置及判断异常类型。
为解决上述技术问题,本发明提供如下技术方案:一种考虑分布式处理信息的配网预警方法,其包括对电网终端数据统一采集并进行预处理;检测采集的信息是否合格,若合格则进行异常判断,不合格则删除;基于递归深度学习措施对合格信息提取和过滤;将最后获得的信息输送呈递至控制中心,再对数据统一整理存储至后台,利用输定值判别信息。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述电网终端数据统一采集包括,
信息采集处理,利用采集设备内的检测电路采集电网初始信息并将模拟信号量变换供所述采集设备核心控制芯片集中处理。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述预处理包括,
将初始信息统一传递至监测单元,所述监测单元识别异常数据和干扰数据,实时记录信息的分布;若检测到不合理的干扰信息则删除;若检测到异常数据,将所有数据归类并进行异常判断。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述异常判断包括,已被信息监测单元处理过的配网信息以接口互通的方式传输到异常判别单元,异常判别单元基于递归深度学习措施对合格信息提取和过滤;提取级对输入信息作关键因素获取,过滤级对关键因素作筛选并过滤多余内容。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述异常判别单元采用分布式处理方式,实现多执行路线协调以及配网解析。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述提取级和过滤级协同操作,增强分布式信息处理装置的参数拟合水平,最终得到异常数据的对应关系:
j(r)=(i×θ)r
其中式内:j(r)为已经完成归类操作的终端信息;i为已经完成除杂及初步处理的前端信息;θ为递归深度学习措施的映射情况;r为终端信息。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:所述终端信息结果的性质条件详细检测情况是通过度量分析法:
其中式内:ln j(r)为终端结果的度量分析值;m为异常类型合计数目;x为异常类型编号;fx为第x种异常类型发生的机率;i为已经完成除杂及初步处理的前端信息。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:根据异常解析方法存在的4种映射情况得出(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1);
所述递归深度学习方法存在的4种映射级别,相匹配的首级二轮解析内容是(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0);
根据标准获取所有级别的映射内容,出现差异的映射能够说明各类型的异常。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:假设把终端结果的度量分析值ln j(r)当成归类标准,那么前端异常信息群I能够再区分成多个信息组,最初异常信息的归类方法:
其中式内:ln I(r)为前端信息的度量分析值;m为异常类型合计数目;x为异常类型编号;ix为第x种异常类型的前端信息;I为前端异常信息群;终端结果的度量分析值ln j(r)。
作为本发明所述考虑分布式处理信息的配网预警方法的一种优选方案,其中:根据所述度量分析法和异常信息的归类方法获得内容增益;
所述内容增益为ln j(r)减去In I(r)所得到的数值,通过所述内容增益的差别得出异常的种类。
本发明的有益效果:本发明经济利益高、配电网环境安全;可以实时监测;降低数据阻塞的风险,减少了干扰数据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为第一个实施例中的系统流程图。
图2为第二个实施例中的电压数据波动情况图。
图3为第二个实施例中的电流数据波动情况图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种考虑分布式处理信息的配网预警方法,包括以下四个步骤:
对电网终端数据统一采集并进行预处理;
检测采集的信息是否合格,若合格则进行异常判断,不合格则删除;
基于递归深度学习措施对合格信息提取和过滤;
将最后获得的信息输送呈递至控制中心,再对数据统一整理存储至后台,利用输定值判别信息。
进一步的,信息采集处理,利用采集设备100内的检测电路采集电网初始信息并将模拟信号量变换供所述采集设备100核心控制芯片集中处理;所述采集设备100安装在配电网终端并连接配电网,采集设备100可以包括有电压信号采集设备101、电流信号采集设备102以及可以设置有其他电网信号的采集设备,其内部包含有信号检测电路,信号变换器以及信号处理芯片;首先检测电路采集配电网终端的电压、电流或其他信号值,传输至信号变换器将模拟量变换为数字量,然后统一进入信号处理芯片进行存储和整合。
预处理包括将位于配网内各处的无线通信设备获取的初始信息统一传递至监测单元200,所述监测单元200通常为远端控制平台,用于识别异常数据和干扰数据,实时记录信息的分布;利用处理中心控制平台内的程序进行进一步检查,若检测到不合理的干扰信息则删除;若检测到异常数据,将所有数据归类并进行异常判断。该部分会在第一时间实施清理多余内容的预处理再进行简单归类,如果检查到显著不合理的信息有必要尽快删除。
异常判断包括异常判别单元300,已被信息监测单元200处理过的配网信息以接口互通的方式传输到异常判别单元300,异常判别单元300基于递归深度学习措施对合格信息提取和过滤;
提取级对输入信息作关键因素获取,过滤级对关键因素作筛选并过滤多余内容;异常判别单元300采用分布式处理方式,实现多执行路线协调以及配网解析。接口会选择常规的32通道模式,并把公共信息概念引入配网内部及监测单元200,获取能进行异常判断及研究的所有基础参数加上配网实况。
考虑到配网布局繁杂,监测单元200会获取相当多的信息,因此得利用巨量参数分析工具实现目标。分布式信息处理装置是以阿帕奇服务器软件为基础进行开发,结合分布式结构及大规模并行分析单元。任一装置使用分布式结构作记录时其内部结构并无太多要求,这可以有效减小采购配网装置的费用。大规模并行分析单元为分布式信息处理装置的关键点,它遵循节点项目安排规则。经过分布式信息处理后,原始结构分析、电网异常信息获取、参数记录及计算结果是由多种工具协同实现的,具体安排情况能使装置对于异常信息测试及预警准确性发生变化。
进一步的,在监测单元200与异常判别单元300分别引出通信连接用户与装置交流单元400,用户与装置交流单元400内部的信息监测连通监测单元200与异常判别单元300;起到流通在监测单元200分析操作各阶段的作用。如果装置发出了预警信号,用户与装置交流单元400也会输出预警消息告知后台的调度工作者。发出预警信号时,该异常位置配网的终端通信设备把非常多的异常数据传输到后台,造成瞬间信息阻塞。后台调度工作者通过用户与装置交流单元,将所有信息作排序,再结合大规模并行分析单元的信息处理作用,减少无效内容,确定配网存在故障问题的具体位置。
信息输送呈递至控制中心包括:用户与装置交流单元400只现场端将异常数据传输至结果呈现单元500,用于投射配电网数据异常信息。
该单元起到呈现最终的异常位置及类型的作用。配网异常信息库经过归类检查及获取关键因素后,能够确定存在异常现象的配网片区,该装置会产生错误事故的现象无法规避。为了防止处于无异常现象期间因为装置再次开机而影响分布式数据解析内容,基于用户与装置交流单元400能够做到预先设定异常判别,现根据不同数据预设固定分布式信息解析内容,同时确定装置的异常判别效果,防止产生多次或错误发布紧急信号的现象。
实施例2
参照图2、3,为本发明第二个实施例,该实施例基于上一个实施例,在巨量参数的环境中需考虑大批初始信息的关键因素,并对异常内容开展解析,在异常信息库内获取存在意义的异常数据。运用分布式信息处理装置时,递归深度学习措施的分级部分主要是提取级和过滤级,划分操作异常期间提取级和过滤级的体现出差异的效果。其中提取级的作用是对输入信息作关键因素获取,过滤级的作用是对关键因素作筛选并过滤多余内容。
所述提取级和过滤级协同操作,增强分布式信息处理装置的参数拟合水平。
最终可得到异常数据的对应关系:
j(r)=(i×θ)r
其中式内:j(r)为已经完成归类操作的终端信息;i为已经完成除杂及初步处理的前端信息;θ为递归深度学习措施的映射情况;r为终端信息。
根据异常解析方法存在的4种映射情况得出(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1);所述递归深度学习方法存在的4种映射级别,相匹配的首级二轮解析内容是(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0);根据标准获取所有级别的映射内容,出现差异的映射能够说明各类型的异常。
设置配网内的异常类型涵盖断路异常、短路异常、变电站异常等,通过递归深度学习方法能够获得异常映射结果,所有级别的终端信息结果如下表所示。
表1递归深度学习异常信息结果表
把最优的性质选取措施当成异常类型的归类条件,效果最好的性质归类规则只为其中一类型所有,终端信息结果的性质条件详细检测情况是通过度量分析法:
其中式内:lnj(r)为终端结果的度量分析值;m为异常类型合计数目;x为异常类型编号;fx为第x种异常类型发生的机率;i为已经完成除杂及初步处理的前端信息。
假设把终端结果的度量分析值ln j(r)当成归类标准,那么前端异常信息群I能够再区分成多个信息组,最初异常信息的归类方法:
其中式内:ln I(r)为前端信息的度量分析值;m为异常类型合计数目;x为异常类型编号;ix为第x种异常类型的前端信息;I为前端异常信息群;终端结果的度量分析值ln j(r)。
进一步的,ln j(r)减去ln I(r)所得到的数值就是内容增益,如果它们的差值到达最低点,就说明此时是作归类能实现最佳效果,假设这组信息存在多种异常类型,结合内容增益的多少可以实现高正确率的判别及选择。通过分布式信息处理装置已实现最初异常信息的除杂及初步处理,防止因为信息数目过多而产生错误事故。对于多级的递归深度学习方法来说,在映射情况的确定和方式数据更改时可缩短不少时间,结合度量分析值确定最终的异常类型,通过内容增益的差别得知异常的种类,这有助于提高挑选信息的精确度。
装置性能检测期间会先通过上述方法所构思的监测装置任意选取3组电压及电流数据,且数据的时间选取间隔会有所不同,具体如图2、3。
如图2和3,三者时间选取间隔不一致,x是0.1s、y是0.3s、z是0.5s。观察发现,电压及电流信号波动都十分规律,峰值无明显差异,且没有产生突变现象,这说明本装具备较佳的滤波水平。
考虑到分布式信息处理装置所利用的递归深度学习方法对解决配网异常电压及电流数据的除杂与滤波问题具有较大的帮助,能够全面且准确地获取异常信息关键因素。在配网异常电压和电流信息群内,随机抽部分选取点判断实际数据和监测数据存在的不同,并结合传统处理信息的措施作比较,具体如下表:
表2异常电压数据对比结果表
表3异常电流数据对比结果表
观察上表发现,分布式处理异常数据的偏差值明显小于传统处理措施。这说明本文所叙述的分布式处理信息的配网预警装置对异常信息操控的稳定性及发出警报的效率会比传统装置更好。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种考虑分布式处理信息的配网预警方法,其特征在于:包括,
对电网终端数据统一采集并进行预处理;
检测采集的信息是否合格,若合格则进行异常判断,不合格则删除;
基于递归深度学习措施对合格信息提取和过滤;
将最后获得的信息输送呈递至控制中心,再对数据统一整理存储至后台,利用输定值判别信息。
2.如权利要求1所述的考虑分布式处理信息的配网预警方法,其特征在于:所述电网终端数据统一采集包括,
信息采集处理,利用采集设备(100)内的检测电路采集电网初始信息并将模拟信号量变换供所述采集设备(100)核心控制芯片集中处理。
3.如权利要求1或2所述的考虑分布式处理信息的配网预警方法,其特征在于:所述预处理包括,
将初始信息统一传递至监测单元(200),所述监测单元(200)识别异常数据和干扰数据,实时记录信息的分布;
若检测到不合理的干扰信息则删除;
若检测到异常数据,将所有数据归类并进行异常判断。
4.如权利要求3所述的考虑分布式处理信息的配网预警方法,其特征在于:所述异常判断包括,
已被信息监测单元(200)处理过的配网信息以接口互通的方式传输到异常判别单元(300),异常判别单元(300)基于递归深度学习措施对合格信息提取和过滤;
提取级对输入信息作关键因素获取,过滤级对关键因素作筛选并过滤多余内容。
5.如权利要求4所述的考虑分布式处理信息的配网预警方法,其特征在于:所述异常判别单元(300)采用分布式处理方式,实现多执行路线协调以及配网解析。
6.如权利要求4或5所述的考虑分布式处理信息的配网预警方法,其特征在于:所述提取级和过滤级协同操作,增强分布式信息处理装置的参数拟合水平,最终得到异常数据的对应关系:
j(r)=(i×θ)r
其中式内:j(r)为已经完成归类操作的终端信息;i为已经完成除杂及初步处理的前端信息;θ为递归深度学习措施的映射情况;r为终端信息。
8.如权利要求7所述的考虑分布式处理信息的配网预警方法,其特征在于:根据异常解析方法存在的4种映射情况得出(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1);
所述递归深度学习方法存在的4种映射级别,相匹配的首级二轮解析内容是(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0);
根据标准获取所有级别的映射内容,出现差异的映射能够说明各类型的异常。
10.如权利要求9所述的考虑分布式处理信息的配网预警方法,其特征在于:根据所述度量分析法和异常信息的归类方法获得内容增益;
所述内容增益为lnj(r)减去lnI(r)所得到的数值,通过所述内容增益的差别得出异常的种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589600.2A CN114429175A (zh) | 2021-12-23 | 2021-12-23 | 一种考虑分布式处理信息的配网预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589600.2A CN114429175A (zh) | 2021-12-23 | 2021-12-23 | 一种考虑分布式处理信息的配网预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429175A true CN114429175A (zh) | 2022-05-03 |
Family
ID=81311470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111589600.2A Pending CN114429175A (zh) | 2021-12-23 | 2021-12-23 | 一种考虑分布式处理信息的配网预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186136A (zh) * | 2023-01-06 | 2023-05-30 | 三峡高科信息技术有限责任公司 | 一种工程建设实施阶段数据的处理方法及系统 |
-
2021
- 2021-12-23 CN CN202111589600.2A patent/CN114429175A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186136A (zh) * | 2023-01-06 | 2023-05-30 | 三峡高科信息技术有限责任公司 | 一种工程建设实施阶段数据的处理方法及系统 |
CN116186136B (zh) * | 2023-01-06 | 2024-03-12 | 三峡高科信息技术有限责任公司 | 一种工程建设实施阶段数据的处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN109118075B (zh) | 一种基于业务逻辑一致性的电力工控终端安全监测方法 | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其系统 | |
CN111639921A (zh) | 一种基于专家系统的设备故障智判与辅助处置方法 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
CN113592343A (zh) | 二次系统的故障诊断方法、装置、设备和存储介质 | |
CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN107451192A (zh) | 一种基于分解聚合的电信诈骗电话的分类检测方法 | |
CN114429175A (zh) | 一种考虑分布式处理信息的配网预警方法 | |
CN111797887A (zh) | 一种基于密度筛选与k-均值聚类的反窃电预警方法及系统 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN113453092B (zh) | 一种工业互联网数据采集方法及系统和终端 | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
CN111612054B (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
CN112488738A (zh) | 基于电力大数据的居民空置住户识别方法及设备 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
CN112069633B (zh) | 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法 | |
CN111444254B (zh) | 一种skl系统文件格式转换方法和系统 | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
CN112215256A (zh) | 一种低压配电网多源数据处理方法 | |
CN107436958B (zh) | 一种基于通用逻辑的调度主站二次设备信号建模方法 | |
CN111861141A (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
CN116739223B (zh) | 企业排污实时监管方法、装置、存储介质及电子设备 | |
CN117149551B (zh) | 一种车载无线通信芯片的测试方法 |
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 |