CN114528929B - 一种多源数据的台区量测系统和方法 - Google Patents
一种多源数据的台区量测系统和方法 Download PDFInfo
- Publication number
- CN114528929B CN114528929B CN202210133983.0A CN202210133983A CN114528929B CN 114528929 B CN114528929 B CN 114528929B CN 202210133983 A CN202210133983 A CN 202210133983A CN 114528929 B CN114528929 B CN 114528929B
- Authority
- CN
- China
- Prior art keywords
- measuring equipment
- measurement
- data
- fault
- equipment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 187
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000005065 mining Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008014 freezing Effects 0.000 claims description 8
- 238000007710 freezing Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多源数据的台区量测系统和方法，包括：量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块；所述量测设备失准确定模块，用于基于神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备；所述数据收集模块，用于深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；所述故障分析模块，用于分析台区现场运行的量测设备的故障机理，构建量测设备运行状态的典型特征库；所述态势感知模块，用于基于台区量测设备运行状态特征库，提出量测设备可靠性态势感知技术方案。
Description
技术领域
本发明属于电力技术领域，特别涉及一种多源数据的台区量测系统和方法。
背景技术
电能量测设备寿命可靠性评估与预测是综合利用计量误差数据和元器件可靠性信息对电能量测设备故障和可靠性进行评估和预测，这是台区量测设备运行态势感知研究的关键和核心。涉及量测设备计量误差退化过程建模，基于信息融合的量测设备故障与可靠性评估，量测设备可靠性预测以及如何确定出量测设备的失准等都是现有技术的难点。
发明内容
本发明公开了一种多源数据的台区量测系统，包括：量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块；
所述量测设备失准确定模块，用于基于神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备；
所述数据收集模块，用于深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
所述故障分析模块，用于分析台区现场运行的量测设备的故障机理，构建量测设备运行状态的典型特征库；
所述态势感知模块，用于基于台区量测设备运行状态特征库，提出量测设备可靠性态势感知技术方案。
所述的多源数据的台区量测系统，所述量测设备失准确定模块包括：量测设备历史值获取单元、训练单元、标准差值获取单元、潮流计算单元和判断单元；
量测设备历史值获取单元，用于获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
训练单元，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
标准差值获取单元，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
潮流计算单元，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
判断单元，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
所述的多源数据的台区量测系统，所述数据收集模块具体包括：有效故障数据收集单元、故障数据库建立单元和数据挖掘单元；
所述有效故障数据收集单元，用于收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
所述故障数据库建立单元，用于根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
所述数据挖掘单元，用于挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
所述的多源数据的台区量测系统，所述故障分析模块具体包括：故障识别单元、原因分析单元和特征库建立单元；
所述故障识别单元，针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
原因分析单元，对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
特征库建立单元，对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备的典型运行状态特征库。
所述的多源数据的台区量测系统，所述态势感知模块具体包括：所述演变规律确定单元、典型故障确定单元和态势感知单元；
所述演变规律确定单元，用于针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
所述典型故障确定单元，用于针对故障库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
所述态势感知单元，用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
一种多源数据的台区量测方法，包括如下步骤：
步骤S1、基于神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备；
步骤S2、深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
步骤S3、分析台区现场运行的量测设备的故障机理，构建量测设备运行状态的典型特征库；
步骤S4、基于台区量测设备运行状态特征库，提出量测设备可靠性态势感知技术方案。
所述的多源数据的台区量测方法，所述步骤S1具体包括：
步骤S11、获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
步骤S12，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
步骤S13，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
步骤S14，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
步骤S15，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
所述的多源数据的台区量测方法，所述步骤S2具体包括：
步骤S21、收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
步骤S22、根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
步骤S23、挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
所述的多源数据的台区量测方法，所述步骤S3具体包括：
步骤S31、针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
步骤S32、对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
步骤S33、对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备的典型运行状态特征库。
所述的多源数据的台区量测方法，所述步骤S4具体包括：
步骤S41、针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
步骤S42、针对故障库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
步骤S43、用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
本发明提出一种多源数据的台区量测系统和方法，通过量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块配合实现量测系统的台区准确判断。作为本发明的改进点之一是，量测设备运行状态典型特征库构建是充分挖掘失准更换、拆回分拣数据，建立量测设备的现场故障分级分类数据库，进一步对典型故障开展失效机理分析。量测设备运行状态的典型特征库将量测设备故障表象和失效机理建立起了内在联系，可为提升量测设备质量与可靠性提供参考，为现场运维方案提供技术支撑。作为本发明另一改进点之一是，电能量测设备寿命可靠性评估与预测是利用量测设备计量误差数据，元器件可靠性信息，现场运行数据对台区量测设备并对故障与可靠性演变趋势做出评估与预测，提出了量测设备寿命与可靠性评估与预测的技术方案。不仅为电能表延寿提供理论与方法依据，还为保证电力市场稳定高效运营提供支撑。作为本发明改进点之一，是通过神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备，通过电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，并配合潮流计算值，查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
附图说明
图1为本发明多源数据的台区量测系统示意图。
图2为本发明多源数据的台区量测方法示意图。
图3为本发明量测设备失准确定流程示意图。
图4为本发明数据收集流程示意图。
图5为本发明故障分析流程示意图。
图6为本发明态势感知流程示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
本发明深入挖掘量测设备失准更换和电能拆回分拣数据，识别量测设备故障数据，考虑故障影响、量测设备功能结构等多种因素，对量测设备故障进行细分，建立分级分类的量测设备故障库。其次，针对故障库中典型故障开展故障模式分析，识别、定位引起量测设备故障的单元，研究单元失效机理以及各因素对单元失效的影响关系，建立量测设备运行状态典型特征库。最后，结合台区现场计量数据和元器件可靠性信息，研究量测设备计量误差演变规律和量测设备故障规律，结合事件记录、冻结数据、环境数据，提出量测设备寿命与可靠性评估与预测的技术方案。量测设备运行状态典型特征库需要在量测设备故障分类的基础上，对典型故障开展故障物理解析，是研究的基础与关键。该研究涉及制定量测设备统一的故障分类标准，利用数据挖掘技术研究失准更换、拆回分拣数据、冻结数据与量测设备的关联关系，需要借助SEM和EDS等先进物理化学手段研究器件失效的物理化学演变过程等难点。量测设备运行状态典型特征库构建是该项目研究的关键和难点。
如图1所示，为本发明多源数据的台区量测系统示意图。本发明公开了一种多源数据的台区量测系统，包括：量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块；
所述量测设备失准确定模块，用于基于神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备；
所述数据收集模块，用于深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
所述故障分析模块，用于分析台区现场运行的量测设备的故障机理，构建量测设备运行状态的典型特征库；
所述态势感知模块，用于基于台区量测设备运行状态特征库，提出量测设备可靠性态势感知技术方案。
所述的多源数据的台区量测系统，所述量测设备失准确定模块包括：量测设备历史值获取单元、训练单元、标准差值获取单元、潮流计算单元和判断单元；
量测设备历史值获取单元，用于获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
训练单元，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
标准差值获取单元，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
潮流计算单元，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
判断单元，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
所述的多源数据的台区量测系统，所述数据收集模块具体包括：有效故障数据收集单元、故障数据库建立单元和数据挖掘单元；
所述有效故障数据收集单元，用于收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
所述故障数据库建立单元，用于根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
所述数据挖掘单元，用于挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
所述的多源数据的台区量测系统，所述故障分析模块具体包括：故障识别单元、原因分析单元和特征库建立单元；
所述故障识别单元，针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
原因分析单元，对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
特征库建立单元，对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备的典型运行状态特征库。
所述的多源数据的台区量测系统，所述态势感知模块具体包括：所述演变规律确定单元、典型故障确定单元和态势感知单元；
所述演变规律确定单元，用于针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
所述典型故障确定单元，用于针对故障库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
所述态势感知单元，用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
如图2所示，为本发明多源数据的台区量测方法示意图。一种多源数据的台区量测方法，包括如下步骤：
步骤S1、基于神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备；
步骤S2、深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
步骤S3、分析台区现场运行的量测设备的故障机理，构建量测设备运行状态的典型特征库；
步骤S4、基于台区量测设备运行状态特征库，提出量测设备可靠性态势感知技术方案。
如图3所示，为本发明量测设备失准确定流程示意图。
所述的多源数据的台区量测方法，所述步骤S1具体包括：
步骤S11、获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
步骤S12，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
步骤S13，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
步骤S14，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
步骤S15，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
如图4所示，为本发明数据收集流程示意图。
所述的多源数据的台区量测方法，所述步骤S2具体包括：
步骤S21、收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
步骤S22、根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
步骤S23、挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
如图5所示，为本发明故障分析流程示意图。所述的多源数据的台区量测方法，所述步骤S3具体包括：
步骤S31、针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
步骤S32、对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
步骤S33、对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备的典型运行状态特征库。
如图6所示，为本发明态势感知流程示意图。所述的多源数据的台区量测方法，所述步骤S4具体包括：
步骤S41、针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
步骤S42、针对故障库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
步骤S43、用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
本发明提出一种多源数据的台区量测系统和方法，通过量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块配合实现量测系统的台区准确判断。作为本发明的改进点之一是，量测设备运行状态典型特征库构建是充分挖掘失准更换、拆回分拣数据，建立量测设备的现场故障分级分类数据库，进一步对典型故障开展失效机理分析。量测设备运行状态的典型特征库将量测设备故障表象和失效机理建立起了内在联系，可为提升量测设备质量与可靠性提供参考，为现场运维方案提供技术支撑。作为本发明另一改进点之一是，电能量测设备寿命可靠性评估与预测是利用量测设备计量误差数据，元器件可靠性信息，现场运行数据对台区量测设备并对故障与可靠性演变趋势做出评估与预测，提出了量测设备寿命与可靠性评估与预测的技术方案。不仅为电能表延寿提供理论与方法依据，还为保证电力市场稳定高效运营提供支撑。作为本发明改进点之一，是通过神经网络计算确定的量测偏差值和潮流计算值确定出失准的量测设备，通过电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，并配合潮流计算值，查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
Claims (10)
1.一种多源数据的台区量测系统，其特征在于，包括：量测设备失准确定模块、数据收集模块、故障分析模块和态势感知模块；
所述量测设备失准确定模块，用于基于神经网络计算确定的量测偏差值和潮流计算值，确定出失准的量测设备；
所述数据收集模块，用于深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
所述故障分析模块，用于分析台区现场运行的量测设备的失效机理，构建量测设备运行状态的典型特征库；
所述态势感知模块，用于基于台区量测设备运行状态的典型特征库，提出量测设备可靠性态势感知技术方案。
2.如权利要求1所述的多源数据的台区量测系统，其特征在于，所述量测设备失准确定模块包括：量测设备历史值获取单元、训练单元、标准差值获取单元、潮流计算单元和判断单元；
所述量测设备历史值获取单元，用于获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
所述训练单元，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
所述标准差值获取单元，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
所述潮流计算单元，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
所述判断单元，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给所述数据收集模块。
3.如权利要求2所述的多源数据的台区量测系统，其特征在于，所述数据收集模块具体包括：有效故障数据收集单元、故障数据库建立单元和数据挖掘单元；
所述有效故障数据收集单元，用于收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
所述故障数据库建立单元，用于根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
所述数据挖掘单元，用于挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
4.如权利要求3所述的多源数据的台区量测系统，其特征在于，所述故障分析模块具体包括：故障识别单元、原因分析单元和特征库建立单元；
所述故障识别单元，针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
原因分析单元，对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
特征库建立单元，对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备运行状态的典型态特征库。
5.如权利要求4所述的多源数据的台区量测系统，其特征在于，所述态势感知模块具体包括：演变规律确定单元、典型故障确定单元和态势感知单元；
所述演变规律确定单元，用于针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
所述典型故障确定单元，用于针对故障数据库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
所述态势感知单元，用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
6.一种多源数据的台区量测方法，其特征在于，包括如下步骤：
步骤S1、基于神经网络计算确定的量测偏差值和潮流计算值，确定出失准的量测设备；
步骤S2、深入挖掘量测设备失准更换、电能表拆回分拣故障数据，建立量测设备故障分级分类数据库；
步骤S3、分析台区现场运行的量测设备的失效机理，构建量测设备运行状态的典型特征库；
步骤S4、基于台区量测设备运行状态的典型特征库，提出量测设备可靠性态势感知技术方案。
7.如权利要求6所述的多源数据的台区量测方法，其特征在于，所述步骤S1具体包括：
步骤S11、获取台区的量测设备并进行标号，从量测设备的历史数据中获取按照量测时间顺序排列的历史电压量测值；
步骤S12，构建预测模型，以台区历史电压量测值为训练样本，对预测模型进行训练，得到台区电压预测模型；
步骤S13，通过所述台区电压预测模型获取量测设备预测输出的多个台区电压预测值，并将台区电压预测值与量测设备的标号进行匹配，通过量测设备进行实际电压量测值，计算台区电压预测值与实际电压量测值的电压偏差值，确定电压偏差值确定电压偏差值的标准差值；
步骤S14，通过所述实际电压量测值进行潮流计算，获取潮流计算值；
步骤S15，通过所述电压偏差值的标准差值确定量测设备量测的实际电压量测值是否正常，如果正常，则判断所述潮流计算值是否正常，如果潮流计算值正常，则确定量测设备正常；如果实际电压量测值不正常，则找到对应的量测设备的标号，将该标号的量测设备剔除掉后再确定潮流计算值是否正常，如果潮流计算值仍不正常，则查找台区的备用电源，以备用电源为起点，沿着台区供电路径进行搜索，直到遇到故障的量测节点，以此方式，找出所有的故障的量测节点，并对出现故障的量测节点再进行一次实际电压量测值的量测校验，校验通过，则判断是台区供电故障，校验不通过，则判断是量测设备故障，则记录标号，传输给数据收集模块。
8.如权利要求7所述的多源数据的台区量测方法，其特征在于，所述步骤S2具体包括：
步骤S21、收集量测设备失准更换、电能表拆回分拣数据，梳理各类数据的数据来源和数据有效性，依据故障判据识别量测设备故障，收集有效的故障数据；
步骤S22、根据电能表、采集设备故障对电能计量与交易过程的影响程度，探索量测设备故障分级方法；进一步探索电能表、采集设备各层级指标及不同指标间关联关系，结合电能表规格型号，生产单位，批次基本信息，对量测设备故障进行细分，建立量测设备故障分级分类数据库；
步骤S23、挖掘电能数据、冻结数据、事件记录、误差监测数据、拟合数据关键指标特性量与量测设备故障的映射关系，为构建量测设备故障分级分类数据库提供方法支撑。
9.如权利要求8所述的多源数据的台区量测方法，其特征在于，所述步骤S3具体包括：
步骤S31、针对量测设备典型故障，采用故障模式分析、事件树分析和故障树分析手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
步骤S32、对失效的元器件开展失效机理分析，探明诱发元器件失效的原因，识别影响元器件失效的电气和环境因素，借助加速寿命试验、加速退化试验阐明元器件失效的物理化学演变过程；
步骤S33、对故障数据库中典型故障按上述过程开展失效机理分析，建立电能表、采集设备量测设备运行状态的典型特征库。
10.如权利要求9所述的多源数据的台区量测方法，其特征在于，所述步骤S4具体包括：
步骤S41、针对量测设备计量误差问题，基于台区现场计量数据，研究利用现场数据评估量测设备计量误差的方法，通过对长时间历程内多次评估量测设备计量误差，研究计量误差的演变规律；
步骤S42、针对故障数据库中量测设备典型故障，识别引起设备故障的所有元器件，利用元器件可靠性信息估计量测设备故障与可靠性；
步骤S43、用于分析事件记录、负荷曲线、冻结数据与电能计量误差、量测设备的关联关系，综合考虑现场电能计量的环境、负荷不确定因素，不断改进量测设备误差评估方法；将元器件历史信息与现场动态数据相融合，基于信息融合技术、Bayes理论，研究融合现场数据的量测设备寿命与可靠性演变规律，提出量测设备可靠性态势感知技术方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133983.0A CN114528929B (zh) | 2022-02-14 | 2022-02-14 | 一种多源数据的台区量测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133983.0A CN114528929B (zh) | 2022-02-14 | 2022-02-14 | 一种多源数据的台区量测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114528929A CN114528929A (zh) | 2022-05-24 |
| CN114528929B true CN114528929B (zh) | 2023-06-20 |
Family
ID=81622662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210133983.0A Active CN114528929B (zh) | 2022-02-14 | 2022-02-14 | 一种多源数据的台区量测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114528929B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720324A (zh) * | 2023-05-15 | 2023-09-08 | 中铁第四勘察设计院集团有限公司 | 基于预测模型的牵引变电所关键设备故障预警方法及系统 |
| CN116308306B (zh) * | 2023-05-25 | 2023-07-28 | 南京中汇电气科技有限公司 | 一种基于5g的新能源场站智慧管理系统及方法 |
| CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
| CN110649703A (zh) * | 2019-08-10 | 2020-01-03 | 国网吉林省电力有限公司长春供电公司 | 一种数字化台区线损态势感知与窃电稽查的方法 |
| CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及系统 |
| CN113406438A (zh) * | 2021-06-23 | 2021-09-17 | 安徽南瑞中天电力电子有限公司 | 一种适用于低压台区的故障智能诊断方法及其运维系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2585820A1 (fr) * | 2007-04-18 | 2008-10-18 | Hydro-Quebec | Localisation de defaut sur un reseau electrique par mesures de tension distribuees |
| CN106054104B (zh) * | 2016-05-20 | 2019-01-11 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
| CN108663651A (zh) * | 2018-05-04 | 2018-10-16 | 国网上海市电力公司 | 一种基于多源数据融合的智能电能表运行状态评价系统 |
| CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
| CN109886475B (zh) * | 2019-01-24 | 2022-12-06 | 广西电网有限责任公司电力科学研究院 | 基于ai的计量自动化系统的信息安全态势感知系统 |
| CN111738573A (zh) * | 2020-06-09 | 2020-10-02 | 国网河北省电力有限公司营销服务中心 | 一种基于电能表全寿命周期数据的健康评价方法 |
| CN113176530B (zh) * | 2020-08-25 | 2023-05-05 | 北京合众伟奇科技股份有限公司 | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 |
| CN113281697B (zh) * | 2021-05-20 | 2023-04-18 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
-
2022
- 2022-02-14 CN CN202210133983.0A patent/CN114528929B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
| CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及系统 |
| CN110649703A (zh) * | 2019-08-10 | 2020-01-03 | 国网吉林省电力有限公司长春供电公司 | 一种数字化台区线损态势感知与窃电稽查的方法 |
| CN113406438A (zh) * | 2021-06-23 | 2021-09-17 | 安徽南瑞中天电力电子有限公司 | 一种适用于低压台区的故障智能诊断方法及其运维系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114528929A (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114528929B (zh) | 一种多源数据的台区量测系统和方法 | |
| CN107733357B (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
| CN101213421B (zh) | 公用事业监视系统中数据的自动化集成 | |
| CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN107069960B (zh) | 一种二次运维管理系统的在线缺陷诊断方法 | |
| CN112729370A (zh) | 桥梁动态应变监测系统校准方法 | |
| CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
| CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
| CN108921305B (zh) | 一种部件生命期监测方法 | |
| CN115526355A (zh) | 一种用于共享车辆的智能监测管理方法、系统及电子设备 | |
| JP5297951B2 (ja) | 防食データ解析システム | |
| CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
| CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
| CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN113378398A (zh) | 一种基于电能表的健康度分析方法、系统及存储介质 | |
| CN117708735A (zh) | 一种基于多点校核的量测数据拟合方法、介质及系统 | |
| 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 | |
| CN117570381A (zh) | 基于在线预测和数据融合的管网泄漏预警方法 | |
| CN111896043A (zh) | 一种窨井故障定位系统及窨井故障定位方法 | |
| KR20180083480A (ko) | IoT 기반의 상수도 수질 예측 기법 | |
| CN110455370A (zh) | 防汛抗旱远程遥测显示系统 | |
| CN114740419A (zh) | 基于“三维图”分析台区电表误差的方法、装置、设备和介质 | |
| CN116805275B (zh) | 一种基于数据分析的公共机构能耗智能监管系统 | |
| RU2791597C1 (ru) | Система мониторинга, диагностирования и управления техническим состоянием силовых трансформаторов |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |