CN115858881A - 一种配电网运检异常数据检索定位方法 - Google Patents
一种配电网运检异常数据检索定位方法 Download PDFInfo
- Publication number
- CN115858881A CN115858881A CN202211533564.2A CN202211533564A CN115858881A CN 115858881 A CN115858881 A CN 115858881A CN 202211533564 A CN202211533564 A CN 202211533564A CN 115858881 A CN115858881 A CN 115858881A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- abnormal
- monitoring
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于配电网运检数据处理技术领域,尤其涉及一种配电网运检异常数据检索定位方法。包括如下步骤:获取原始数据获取;建立多维数据模型;监测数据聚类求异;异常度判断;异常数据定位;本申请的配电网运检异常数据检索定位方法考虑了历史遗留数据量对于后续数据监测结果的影响,通过主动地时间窗截取分析,可以自由方便地根据实际配电网运行设备的运行周期等时空要素进行灵活配置,以便于针对性的对具有特定运行周期或规律的目标对象的异常数据进行快速定位分析,提高历史周期数据的关联影响的同时提高异常数据检索的效率。
Description
技术领域
本发明属于配电网运检数据处理技术领域,尤其涉及一种配电网运检异常数据检索定位方法。
背景技术
配电网运检数据不仅数据量庞大,涉及到数量众多的检测对象以及监测属性,由于配电网具有各种运行和供电周期等周期性规划运用等特性,还需要对数据的连续性关联影响进行考虑,目前对于运检异常数据的检索定位主要基于历史经验判断、数据拟合结合极值点判断等方法,这些方法一方面过程较为法扎,步骤流程多,对云间数据系统的复杂度以及计算性能的要求较高,另一方面多数都集中在关于极点位置或特异性数据的分析处理方面,对于时空连续性以及相邻时空数据的关联性很少考虑,忽略了电网连续周期内配电信息数据的遗留影响,对于部分历史遗留异常问题的检索效率较低。
发明内容
本发明的目的在于,提供一种流程更加简单方便,整体步骤少,便于实现,有利于提异常数据定位检索效率和速度的配电网运检异常数据检索定位方法。
为实现上述目的,本发明采用如下技术方案。
一种配电网运检异常数据检索定位方法,包括如下步骤:
步骤1、获取原始数据获取
具体是指,获取配电网运检目标对象的历史监测数据,所述监测数据包括运检目标对象的ID标签、空间量数据、状态量数据、关键参数;
步骤2、建立多维数据模型
具体是指,整合历史监测数据,得到配电网内N个目标对象历史数据量XN={x1,x2...xn...xN},其中xn=[xn(s),xn(t)];
其中xn(s)=[xn,1(s),xn,2(s)...xn,p(s)...xn,P(s)为配电网目标对象的P维空间量,xn,p(s)为配电网目标对象第p维度的空间量参数;
其中xn(t)=[xn,1(t),xn,2(t)...xn,q(t)..x.n,Q t(为配电网目标对象的Q维数据量,xn,q(t)为第q个监测周期采集到的配电网目标对象的监测量;
得到配电网内第n个目标对象的多维数据矩阵模型为:
步骤3、监测数据聚类求异
配电网在稳定的运行周期,各个监测周期内采集到的数据具有相对一致的变化趋势以及相对稳定的监测量范围,当运检监测数据中出现异常或者错误数据时,会使得该监测点的数据以及监测周期相近的系列数据产生异常变化,通过利用一个时间窗截取历史数据序列并对每个历史数据序列进行异常度的比较,可以确定定位和判断异常数据所在的位置。
由于配电网运检数据的通常持续多个运行周期进行连续采集,为便于更好的确定区间特征;
对于前述状态量数据XN,利用若干中心元素X′C={x1′,x′2...xc′....x′C}以及类群XCN={x1,1,x1,1...xc,n...xC,N}对其进行聚类;
中心元素以及矩阵划分基于是欧氏距离最小的目标函数来确定;
其中m为聚类模糊参数,d为记权重欧式距离函数;xc′(s)是指中心元素的空间量,xc′(t)是指中心元素的监测量;λ为空间量和检测量针对欧氏距离的权重系数;其中中心元素的值基于类群中所有元素的平均值计算;
求解目标函数解后,可以获取相应的中心元素以及分块矩阵迭代函数:
步骤4、异常度判断
步骤5、异常数据定位
对根据前述元素的异常度指标计算结果进行排序,按照从小大大的顺序,位于序列靠前的元素或聚类存在异常数据的概率更大。
对前述配电网运检异常数据检索定位方法的进一步改进或者优选实施方案,权重系数λ根据历史经验数值或者专家判断给出。
对前述配电网运检异常数据检索定位方法的进一步改进或者优选实施方案,基于该权重系数对原始数据阵列进行重构评判权重系数的优劣,具体而言,对于权重系数λ下的重构数据可表达为重建误差可表达为/>则最佳权重系数λ是指使重建误差取得最小值的对应权重系数。
其有益效果在于:
本申请的配电网运检异常数据检索定位方法考虑了历史遗留数据量对于后续数据监测结果的影响,通过主动地时间窗截取分析,可以自由方便地根据实际配电网运行设备的运行周期等时空要素进行灵活配置,以便于针对性的对具有特定运行周期或规律的目标对象的异常数据进行快速定位分析,提高历史周期数据的关联影响的同时提高异常数据检索的效率。
附图说明
图1是配电网运检异常数据检索定位方法的流程示意图。
具体实施方式
目前现有的配电网运检数据分析以及异常数据的分析定位方法主要是利用单一或者少量周期内的连续性运检数据进行分析判断,且主要从电器属性参数等方面进行着手,对于各运检检测对象的时空要素属性较少考虑,但在实际情形中,上述要素对于部分目标对象的工作状态和状态属性具有直接影响。针对此类设备和数据,为提高在进行运检数据和异常定位过程中能够充分考虑时空属性的影响,本申请提供一种改进的配电网运检异常数据检索定位方法。
以下结合具体实施例对本发明作详细说明。
本申请的配电网运检异常数据检索定位方法主要包括如下步骤:
1、获取原始数据获取,具体是指,获取配电网运检目标对象的历史监测数据,所述监测数据包括运检目标对象的ID标签、空间量数据、状态量数据、关键参数;
其中状态量数据是表征各类设备或者系统运行状态的参考量,其主要用于分析各类目标对象在运检监测过程中的工作状态或者健康程度等信息;以下结合配电网运检中最常见的几类目标对象进行说明:对于配电网变压设备而言,其状态量数据包括各类物理信息量,例如变压换设备各结构或成分的温度等物理信息量以及绝缘纸、放电量等电气信息状态量;对于节点控制而设备,其状态量主要包括设备开端状态、动作速度等物理信息量,以及开断电压等电气量。
特别的,在检测量对象的选区运用过程中,出于本申请的针对性需求,一般主要用于具有时空属性,岁供电周期变化具有周期性运作规律例如快关设备、变压设备等的异常数据分析。
2、建立多维数据模型
具体是指,整合历史监测数据,得到配电网内N个目标对象历史数据量XN={x1,x2...xn...xN},其中xn=[xn(s),xn(t)];
其中xn(s)=[xn,1(s),xn,2(s)...xn,p(s)...xn,P(s)为配电网目标对象的P维空间量,xn,p(s)为配电网目标对象第p维度的空间量参数;
其中xn(t)=[xn,1(t),xn,2(t)...xn,q(t)..x.n,Q t(为配电网目标对象的Q维数据量,xn,q(t)为第q个监测周期采集到的配电网目标对象的监测量;
得到配电网内第n个目标对象的多维数据矩阵模型为:
3、监测数据聚类求异
配电网在稳定的运行周期,各个监测周期内采集到的数据具有相对一致的变化趋势以及相对稳定的监测量范围,当运检监测数据中出现异常或者错误数据时,会使得该监测点的数据以及监测周期相近的系列数据产生异常变化,通过利用一个时间窗截取历史数据序列并对每个历史数据序列进行异常度的比较,可以确定定位和判断异常数据所在的位置。
由于配电网运检数据的通常持续多个运行周期进行连续采集,为便于更好的确定区间特征;
对于前述状态量数据XN,利用若干中心元素X′C={x1′,x′2...xc′....x′C}以及类群XCN={x1,1,x1,1...xc,n...xC,N}对其进行聚类;
中心元素以及矩阵划分基于是欧氏距离最小的目标函数来确定;
其中m为聚类模糊参数,d为记权重欧式距离函数;xc′(s)是指中心元素的空间量,xc′(t)是指中心元素的监测量;λ为空间量和检测量针对欧氏距离的权重系数;其中中心元素的值基于类群中所有元素的平均值计算;
求解目标函数解后,可以获取相应的中心元素以及分块矩阵迭代函数:
特别的,权重系数λ一般根据历史经验数值或者专家判断给出,在必要时,为更好的确定最佳权重系数,以提高异常数据检索效率降低误差,可以基于该权重系数对原始数据阵列进行重构评判权重系数的优劣,具体而言,对于权重系数λ下的重构数据可表达为则重建误差可表达为/>则最佳权重系数λ是指使重建误差取得最小值的对应权重系数;
4、异常度判断
特别的,为便于确定每个聚类的异常程度,以便于对整体进行异常判断,考虑个元素异常度指标的情况下,可以得到每个聚类的异常度参数利用聚类异常度参数可以在必要时对某个时间周期或阶段内的配电运行状态数据进行总体异常度判断,从更高维度来对整体运行状态进行分析,为实现更多更复杂的异常和故障分析提供技术基础。
5、异常数据定位,对根据前述元素或聚类的异常度指标计算结果进行排序,按照从小大大的顺序,位于序列靠前的元素或聚类存在异常数据的概率更大。
需要说明的是,本申请的主要目的在于从大量的运检数据中快速定位异常数据的最有可能发生的区域位置,通过快速收敛定位来确定不同数据区间中异常数据存在的概率,为异常数据的准确定位提供参考和依据,提高数据检索效率。
Claims (4)
1.一种配电网运检异常数据检索定位方法,其特征在于,包括如下步骤:
步骤1、获取原始数据获取
具体是指,获取配电网运检目标对象的历史监测数据,所述监测数据包括运检目标对象的ID标签、空间量数据、状态量数据、关键参数;
步骤2、建立多维数据模型
具体是指,整合历史监测数据,得到配电网内N个目标对象历史数据量XN={x1,x2...xn...xN},其中xn=[xn(s),xn(t)];
其中xn(s)=[xn,1(s),xn,2(s)...xn,p(s)...xn,P(s)为配电网目标对象的P维空间量,xn,p(s)为配电网目标对象第p维度的空间量参数;
其中xn(t)=[xn,1(t),xn,2(t)...xn,q(t)..x.n,Q t(为配电网目标对象的Q维数据量,xn,q(t)为第q个监测周期采集到的配电网目标对象的监测量;
得到配电网内第n个目标对象的多维数据矩阵模型为:
步骤3、监测数据聚类求异
配电网在稳定的运行周期,各个监测周期内采集到的数据具有相对一致的变化趋势以及相对稳定的监测量范围,当运检监测数据中出现异常或者错误数据时,会使得该监测点的数据以及监测周期相近的系列数据产生异常变化,通过利用一个时间窗截取历史数据序列并对每个历史数据序列进行异常度的比较,可以确定定位和判断异常数据所在的位置。
由于配电网运检数据的通常持续多个运行周期进行连续采集,为便于更好的确定区间特征;
对于前述状态量数据XN,利用若干中心元素X′C={x1′,x′2...xc′....x′C}以及类群XCN={x1,1,x1,1...xc,n...xC,N}对其进行聚类;
中心元素以及矩阵划分基于是欧氏距离最小的目标函数来确定;
其中m为聚类模糊参数,d为记权重欧式距离函数;xc′(s)是指中心元素的空间量,xc′(t)是指中心元素的监测量;λ为空间量和检测量针对欧氏距离的权重系数;其中中心元素的值基于类群中所有元素的平均值计算;
求解目标函数解后,可以获取相应的中心元素以及分块矩阵迭代函数:
步骤4、异常度判断
步骤5、异常数据定位
对根据前述元素的异常度指标计算结果进行排序,按照从小大大的顺序,位于序列靠前的元素或聚类存在异常数据的概率更大。
2.根据权利要求1所述的配电网运检异常数据检索定位方法,其特征在于,权重系数λ根据历史经验数值或者专家判断给出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533564.2A CN115858881A (zh) | 2022-12-02 | 2022-12-02 | 一种配电网运检异常数据检索定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533564.2A CN115858881A (zh) | 2022-12-02 | 2022-12-02 | 一种配电网运检异常数据检索定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115858881A true CN115858881A (zh) | 2023-03-28 |
Family
ID=85669078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211533564.2A Pending CN115858881A (zh) | 2022-12-02 | 2022-12-02 | 一种配电网运检异常数据检索定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115858881A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN117171604A (zh) * | 2023-11-03 | 2023-12-05 | 城资泰诺(山东)新材料科技有限公司 | 基于传感器的保温板生产线异常监测系统 |
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN117970168B (zh) * | 2024-03-29 | 2024-05-28 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
-
2022
- 2022-12-02 CN CN202211533564.2A patent/CN115858881A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116400126B (zh) * | 2023-06-08 | 2023-08-01 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN117171604A (zh) * | 2023-11-03 | 2023-12-05 | 城资泰诺(山东)新材料科技有限公司 | 基于传感器的保温板生产线异常监测系统 |
CN117171604B (zh) * | 2023-11-03 | 2024-01-19 | 城资泰诺(山东)新材料科技有限公司 | 基于传感器的保温板生产线异常监测系统 |
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN117851414B (zh) * | 2024-03-07 | 2024-05-17 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN117970168B (zh) * | 2024-03-29 | 2024-05-28 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115858881A (zh) | 一种配电网运检异常数据检索定位方法 | |
CN108415789B (zh) | 面向大规模混合异构存储系统的节点故障预测系统及方法 | |
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
CN106291445B (zh) | 一种电力采集系统异常的智能化诊断方法 | |
CN113496262A (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
CN107133632A (zh) | 一种风电设备故障诊断方法及系统 | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN110398650A (zh) | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 | |
CN110659672B (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN116361679B (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
CN116418120A (zh) | 一种应用于水冷电源的智能预警方法 | |
Wang et al. | Active-MTSAD: Multivariate time series anomaly detection with active learning | |
Li et al. | STAGED: A Spatial-Temporal Aware Graph Encoder-Decoder for Fault Diagnosis in Industrial Processes | |
WO2020118928A1 (zh) | 一种面向海量设备运行数据的分布式时间序列模式检索方法 | |
Liu et al. | Learning task-aware energy disaggregation: a federated approach | |
CN108989083B (zh) | 云环境下基于混合策略的故障检测性能优化方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
Woodard et al. | Online model-based clustering for crisis identification in distributed computing | |
CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
Liu et al. | An abnormal detection of positive active total power based on local outlier factor |
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 |