CN116108362A - 一种基于多时空尺度数据的电网异常识别方法及系统 - Google Patents
一种基于多时空尺度数据的电网异常识别方法及系统 Download PDFInfo
- Publication number
- CN116108362A CN116108362A CN202211571828.3A CN202211571828A CN116108362A CN 116108362 A CN116108362 A CN 116108362A CN 202211571828 A CN202211571828 A CN 202211571828A CN 116108362 A CN116108362 A CN 116108362A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- sub
- grid
- heavy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 238000012544 monitoring process Methods 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000013499 data model Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于多时空尺度数据的电网异常识别方法及系统，包括：获取子电网在采样时刻的多个类型的供电数据，构建供电数据矩阵；对多个子电网进行筛选，获得重负载监测子电网；对供电数据矩阵进行降维，获得重负载子电网的监测矩阵；将监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果；从而可防止损失扩大，提高检修的便利性。
Description
技术领域
本发明涉及智能电网技术领域，尤其涉及一种基于多时空尺度数据的电网异常识别方法及系统。
背景技术
在相关技术中，电网运行状态复杂，各个部分的子电网之间的数据融合程度不足，难以对各个部分的子电网进行实时的状态监测以及及时的异常识别和处理，在电网运行异常时难以及时发现异常状况，导致损失进一步扩大，造成检修困难甚至需要停电维修，造成用电不便和较大的经济损失。
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。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于多时空尺度数据的电网异常识别方法解决网络运行异常难以发现，检修困难的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明提供了基于多时空尺度数据的电网异常识别方法，包括：
获取子电网在采样时刻的多个类型的供电数据，构建供电数据矩阵；
对多个子电网进行筛选，获得重负载监测子电网；
对供电数据矩阵进行降维，获得重负载子电网的监测矩阵；
将监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果，提高检修的便利性。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：根据所述供电数据矩阵，对所述多个子电网进行筛选，获得重负载监测子电网，包括：
根据所述供电数据矩阵，确定各个子电网在各个时刻的实际负载数据；
确定各个子电网的额定负载数据和最大负载数据；
对所述多个子电网进行筛选，获得重负载监测子电网表示为：
对所述多个子电网进行筛选，获得重负载监测子电网，其中，C为条件函数，count为计数函数，li,k为第i个子电网在第k个时刻的实际负载数据，li,e为第i个子电网的额定负载数据，li,max为第i个子电网的最大负载数据，n为所述预设时间段内采样时刻的数量，β为第一比例阈值，α为小于1的第二比例阈值，τ为大于1的系数。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：根据所述供电数据矩阵和所述重负载子电网，对所述供电数据矩阵进行降维，获得所述重负载子电网的监测矩阵，包括：
根据所述供电数据矩阵，获取所述重负载子电网在多个采样时刻的供电数据；
将所述采样时刻，以及所述重负载子电网在多个采样时刻的供电数据，获得所述重负载子电网的监测矩阵。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：将所述监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果，包括：
根据所述监测矩阵和所述多源配网多时空尺度数据模型，确定与所述监测矩阵对应的重负载子电网的类型；
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：所述重负载子电网的类型包括存在运行效率风险的第一类型，
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：
通过所述多源配网多时空尺度数据模型，对所述第一类型的重负载子电网的监测矩阵进行数据筛选，获得待拟合负载数据；
对待拟合数据进行拟合处理，获得拟合曲线；
获取所述监测矩阵中未筛选到的对照负载数据；
根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果表示为：
D1：
其中，D1为第一判别函数，lr,t为第t个采样时刻的对照负载数据，lf,t为第t个采样时刻在所述拟合曲线中的计算负载数据，γ为误差阈值，nt为数量阈值，lt为负载误差阈值。
作为本发明所述的基于多时空尺度数据的电网异常识别方法的一种优选方案，其中：所述重负载子电网的类型包括存在过载风险的第二类型，
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：
通过所述多源配网多时空尺度数据模型，求解所述第二类型的重负载子电网的监测矩阵的实际负载数据进行统计，获得实际负载数据的均值和方差；
根据公式D2：lj＞m+θ1σ筛选负载异常数据，其中，D2为第二判别函数，lj为第j个采样时刻的实际负载数据，m为实际负载数据的均值，σ为实际负载数据的方差，θ1为第一预设倍数；
在lj为负载异常数据的情况下，去除lj，并利用{lj-a，lj-a+1…lj-1，lj+1…lj+b-1，lj+b}进行拟合，获得拟合数据l，j，其中，a和b均为正整数；
根据公式D3：
确定所述第二类型的重负载子电网的异常识别
结果，θ2为第二预设倍数，且θ1＞θ2。
第二方面，本发明提供了一种基于多时空尺度数据的电网异常识别系统，包括：采样模块，用于在预设时间段内，获取多个子电网在多个采样时刻的多个类型的供电数据；
供电数据矩阵模块，用于根据所述供电数据，获得与多个采样时刻对应的供电数据矩阵；
筛选模块，用于根据所述供电数据矩阵，对所述多个子电网进行筛选，获得重负载监测子电网；
降维模块，用于根据所述供电数据矩阵和所述重负载子电网，对所述供电数据矩阵进行降维，获得所述重负载子电网的监测矩阵；
识别模块，用于将所述监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果。
第三方面，本发明提供了一种计算设备，包括：
存储器，用于存储程序；
处理器，用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于多时空尺度数据的电网异常识别方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，包括：所述程序被处理器执行时，实现所述的基于多时空尺度数据的电网异常识别方法的步骤。
本发明的有益效果：本发明基于各个部分的子电网的在多个时刻的供电数据，对各个子电网进行筛选，确定风险较高的子电网进行进一步监测，并基于多种条件进行判断，确定子电网的具体风险，且排除数据干扰，提升判断准确性。从而可在存在风险时提示工作人员，防止损失扩大，提高检修的便利性。
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为本发明一个实施例提供的一种基于多时空尺度数据的电网异常识别方法的基本流程示意图；
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，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
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。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于多时空尺度数据的电网异常识别方法，如图1所示，所述方法包括：
S1：获取子电网在采样时刻的多个类型的供电数据，构建供电数据矩阵；
更进一步的，将供电数据汇总成为与多个采样时刻对应的供电数据矩阵。在示例中，每个采样时刻均可获得多个子电网的多个类型的供电数据，可将一个子电网的多个类型的供电数据作为行向量，则多个子电网的多个类型的供电数据组成的行向量即可构成所述供电数据矩阵。进一步地，可按照上述方式，构成每个采样时刻的供电数据矩阵。
S2：对多个子电网进行筛选，获得重负载监测子电网；
更进一步的，在众多子电网中，如果某些子电网的负载通常较低，供电负担不大，则这些子电网出现故障的概率较低，且即使出现异常状况，所引起的经济损失通常也较小。而一些负载较重的电网则相反，由于经常高负载运行，可能导致电路器件过热、老化，引起供电效率下降等异常现象，甚至引发故障，且由于用点负载较大，停电检修所导致的经济损失通常也较高，因此，可着重选择负载较大的子电网进行重点监测，从而可及时发现异常状态。
更进一步的，根据所述供电数据矩阵，确定各个子电网在各个时刻的实际负载数据；确定各个子电网的额定负载数据和最大负载数据；根据公式对所述多个子电网进行筛选，获得重负载监测子电网。
其中，C为条件函数，count为计数函数，li,k为第i个子电网在第k个时刻的实际负载数据，li,e为第i个子电网的额定负载数据，li,max为第i个子电网的最大负载数据，n为所述预设时间段内采样时刻的数量，β为第一比例阈值，α为小于1的第二比例阈值，τ为大于1的系数。
更进一步的，所述供电数据矩阵的多个元素中可包括实际负载数据，可基于实际负载数据和额定负载数据以及最大负载数据之间的关系来筛选子电网。
更进一步的，公式(1)发明了两个条件，多个子电网中，可能存在两个条件均满足的子电网，可能存在满足任意一个条件的子电网，也可能存在两个条件均不满足的子电网。可筛选出满足两个条件，或者满足任意一个条件的子电网。
更进一步的，在公式(1)的第一个条件中，可确定出实际负载数据长期高于额定负载数据，且实际负载数据与额定负载数据之间的差距达到一定程度的子电网，如果满足该条件，则子电网存在在长期运行中器件老化，效率下降的风险。在第一个条件中，分子为第k个时刻的实际负载数据大于额定负载数据与τ的乘积的采样时刻的总数，分母为预设时间段内采样时刻的总数，二者的比值如果高于第一比例阈值β，则可确定该子电网的实际负载数据长期高于额定负载数据，且实际负载数据与额定负载数据之间的差距达到一定程度，则该子电网满足第一个条件。
更进一步的，在公式(1)的第二个条件中，可确定出实际负载数据高于允许的最大负载数据的子电网，超过最大负载数据运行，则该子电网存在过载的风险，甚至损坏电气元件，造成停电检修的后果。在示例中，α为小于1的第二比例阈值，且α与1接近，例如，α＝0.9或0.95等，本发明对α的具体取值不做限制。将α设定为小于1的值，可筛选出存在实际负载数据接近最大负载数据的情况的子电网，有助于在子电网的实际负载数据达到最大负载数据引发损坏电气元件的风险之前并排除该风险，减小停电维修的损失。
更进一步的，满足以上两个条件的任意一个，即可被筛选为重负载子电网，当然，如果同时满足以上两个条件，也可被筛选为重负载子电网。
S3：对供电数据矩阵进行降维，获得重负载子电网的监测矩阵；
更进一步的，基于筛选出的重负载子电网，对供电数据矩阵进行降维，获得重负载子电网的监测矩阵。例如，将中负载子电网的供电数据进行提取后，组成监测矩阵，从而重点对检测矩阵中的数据进行监测和运算。
更进一步的，根据所述供电数据矩阵，获取所述重负载子电网在多个采样时刻的供电数据；将所述采样时刻，以及所述重负载子电网在多个采样时刻的供电数据，获得所述重负载子电网的监测矩阵。
更进一步的，在所述供电数据矩阵中，在每个采样时刻的供电数据中筛选，并确定出重负载子电网的供电数据。并可将每个重负载子电网在多个采样时刻的供电数据进行组合，获得重负载子电网的监测矩阵。例如，按照时间顺序进行组合，比如将第1个采样时刻的供电数据排列在监测矩阵的第一行，将第2个采样时刻的供电数据排列在监测矩阵的第二行……将第n个采样时刻的供电数据排列在监测矩阵的第n行。进一步地，可按照以上方式根据各个重负载子电网的供电数据，获得各个重负载子电网的监测矩阵。重负载子电网的监测矩阵相比于供电数据矩阵的数据量更小，维度更低，有利于节约算力，提升运算效率。
S4：将监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果，提高检修的便利性。
应说明的是，基于多源配网多时空尺度数据模型对监测矩阵进行运算，确定异常识别结果。所述多源配网多时空尺度数据模型可以是人工神经网络模型、支持向量机模型、贝叶斯模型、回归模型等，本发明对多源配网多时空尺度数据模型的类型不做限制。
更进一步的，根据所述监测矩阵和所述多源配网多时空尺度数据模型，确定与所述监测矩阵对应的重负载子电网的类型；根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果。
更进一步的，若所述重负载子电网的类型为存在运行效率风险的第一类型，则根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：通过所述多源配网多时空尺度数据模型，对所述第一类型的重负载子电网的监测矩阵进行数据筛选，获得待拟合负载数据；对待拟合数据进行拟合处理，获得拟合曲线；获取所述监测矩阵中未筛选到的对照负载数据；根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果。
应说明的是，在数据筛选过程中，可按照数据量进行筛选，例如，按照采样时间，在监测矩阵中选择前50％的数据作为待拟合负载数据，例如，选择监测矩阵中的前一半行向量中的实际负载数据作为待拟合负载数据。本发明对筛选方式和筛选比例不做限制。
可对筛选出的待拟合负载数据进行拟合，例如，以采样时间为自变量，以待拟合负载数据为因变量进行拟合，拟合方式可包括线性回归、二次拟合、三次拟合等，本发明对拟合的具体方式不做限制。
更进一步的，在获得拟合曲线后，可利用拟合曲线和未筛选到的对照负载数据确定异常识别结果，例如，未筛选到的对照负载数据为监测矩阵中的后50％的数据，例如，后一半行向量中的实际负载数据可作为对照负载数据。
更进一步的，根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果，包括：
根据公式(2)，确定所述第一类型的重负载子电网的异常识别结果,：
其中，D1为第一判别函数，lr,t为第t个采样时刻的对照负载数据，lf,t为第t个采样时刻在所述拟合曲线中的计算负载数据，γ为误差阈值，nt为数量阈值，lt为负载误差阈值。
更进一步的，如果元件过热或老化，可能引起供电效率下降，实际负载数据上升，因此，第一判别函数可提供两种条件来判断供电效率是否下降，进而确定子电网是否存在运行效率风险，如果存在运行效率风险，则其异常识别结果为运行效率异常，反之，则运行效率正常。
更进一步的，在第一判别函数的第一个条件中，可确定对照负载数据与相同时刻的拟合曲线上的计算负载数据之间的差距的绝对值(即，纵向距离)。如果纵向距离大于或等于误差阈值γ的采样时刻的数量多于或等于数量阈值nt，则可认为实际负载数据持续上升，运行效率下降，子电网存在运行效率风险，其异常识别结果为运行效率异常，可进一步基于现场检查或者进一步地数据分析来确定是否需要停电检修。反之，则可认为其运行效率不存在风险。
更进一步的，在第一判别函数的第二个条件中，可确定对照负载数据与相同时刻的拟合曲线上的计算负载数据之间的差距的绝对值(即，纵向距离)之和，且绝对值可使得所述差距在出现正值和负值时不会被抵消，有利于准确反映二者之间的差距。如果纵向距离之和大于或等于负载误差阈值lt，则可认为实际负载数据持续上升，运行效率下降，子电网存在运行效率风险，其异常识别结果为运行效率异常，反之，则可认为其运行效率不存在风险。
通过这种方式，可通过对于监测矩阵的运算来识别运行效率风险，避免进一步扩大损失，提升监测的便利性。
更进一步的，若所述重负载子电网的类型为存在过载风险的第二类型，则根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：
通过所述多源配网多时空尺度数据模型，求解所述第二类型的重负载子电网的监测矩阵的负载数据进行统计，获得负载数据的均值和方差；筛选负载异常数据表示为：
D2：lj＞m+θ1σ (3)
其中，D2为第二判别函数，lj为第j个采样时刻的实际负载数据，m为实际负载数据的均值，σ为实际负载数据的方差，θ1为第一预设倍数，在示例中，θ1＝3，本发明对θ1的具体取值不做限制。
在lj为负载异常数据的情况下，去除lj，并利用{lj-a，lj-a+1…lj-1，lj+1…lj+b-1，lj+b}进行拟合，获得拟合数据l， j，其中，a和b均为正整数；
确定所述第二类型的重负载子电网的异常识别结果表示为：
θ2为第二预设倍数，且θ1＞θ2。
更进一步的，在确定是否存在过载风险时，可首先排除数据错误，例如，一些极端值可能是数据错误引起的，而并非真实存在过载风险。
更进一步的，可首先统计监测矩阵的负载数据，例如，可确定负载数据的均值和方差，进而基于均值和方差进行判断。
更进一步的，公式(3)提供了筛选负载异常数据的判别条件，即，如果某个实际负载数据超出了均值与方差和第一预设倍数的乘积之和，即，偏离均值达到了一定程度，则可认为该实际负载数据为负载异常数据。该负载异常数据可包括符合公式(1)的第二个条件的数据。
更进一步的，首先滤除数据错误，并通过拟合的方式来确定代替错误数据的拟合数据。即，去除负载异常数据lj，且利用其前a个数据以及后b个数据进行拟合，从而使用拟合数据l， j代替负载异常数据lj。并可通过公式(4)提供的条件，利用拟合数据l， j来确定是否存在过载风险，若拟合数据l， j满足公式(4)的条件，则子电网存在过载风险，电网异常识别结果为过载异常，反之，则子电网不存在过载风险，电网识别结果为不存在过载异常。
更进一步的，通过这种方式可排除数据异常的情况，原因为：在仅存在数据异常而不存在过载风险的情况下，负载异常数据较少，即，负载异常数据的出现为个别现象，在负载异常数据出现之后，负载数据迅速降低，因此，可通过前后多个负载数据来进行拟合，如果拟合数据正常，则不存在过载风险。反之，如果拟合数据同样偏离，则负载异常数据的前后多个数据均较高，即，实际负载数据在较高的情况下维持了较长时间段，且存在超过最大负载数据的情况，在这种情况下，可判断子电网存在过载风险，可提示工作人员进行进一步检修，避免损失扩大。
上述为本实施例的一种基于多时空尺度数据的电网异常识别方法的示意性方案。需要说明的是，该基于多时空尺度数据的电网异常识别系统的技术方案与上述的基于多时空尺度数据的电网异常识别方法的技术方案属于同一构思，本实施例中基于多时空尺度数据的电网异常识别系统的技术方案未详细描述的细节内容，均可以参见上述基于多时空尺度数据的电网异常识别方法的技术方案的描述。
本实施例还提供一种基于多时空尺度数据的电网异常识别系统，包括：
采样模块，用于在预设时间段内，获取多个子电网在多个采样时刻的多个类型的供电数据；
供电数据矩阵模块，用于根据所述供电数据，获得与多个采样时刻对应的供电数据矩阵；
筛选模块，用于根据所述供电数据矩阵，对所述多个子电网进行筛选，获得重负载监测子电网；
降维模块，用于根据所述供电数据矩阵和所述重负载子电网，对所述供电数据矩阵进行降维，获得所述重负载子电网的监测矩阵；
识别模块，用于将所述监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果。
更进一步的，还包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的基于多时空尺度数据的电网异常识别方法。
本实施例还提供一种计算机可读存储介质，其存储有程序，所述程序被处理器执行时，实现所述的基于多时空尺度数据的电网异常识别方法。
本实施例提出的存储介质与上述实施例提出的基于多时空尺度数据的电网异常识别方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表1，为本发明的一个实施例，提供了一种基于多时空尺度数据的电网异常识别方法，为了验证其有益效果，提供了两种方案的对比结果。
表1对比表
| 本方法 | 传统方法 | |
| 检修效率 | 提升27.8％ | 77.5％ |
| 故障停机时间 | 减少41.5％ | 12h |
| 故障损失 | 降低68.2％ | 220w |
从表1可以看出，我方对于电网异常识别处理较为细致，能够基于各个部分的子电网的在多个时刻的供电数据，对各个子电网进行筛选，确定风险较高的子电网进行进一步监测，并在供电数据异常时及时确定异常识别结果，从而可防止损失扩大，提高检修的便利性。
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)
1.一种基于多时空尺度数据的电网异常识别方法，其特征在于，包括：
获取子电网在采样时刻的多个类型的供电数据，构建供电数据矩阵；
对多个子电网进行筛选，获得重负载监测子电网；
对供电数据矩阵进行降维，获得重负载子电网的监测矩阵；
将监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果，提高检修的便利性。
2.如权利要求1所述的基于多时空尺度数据的电网异常识别方法，其特征在于：根据所述供电数据矩阵，对所述多个子电网进行筛选，获得重负载监测子电网，包括：
根据所述供电数据矩阵，确定各个子电网在各个时刻的实际负载数据；
确定各个子电网的额定负载数据和最大负载数据；
对所述多个子电网进行筛选，获得重负载监测子电网表示为：
对所述多个子电网进行筛选，获得重负载监测子电网，其中，C为条件函数，count为计数函数，li,k为第i个子电网在第k个时刻的实际负载数据，li,e为第i个子电网的额定负载数据，li,max为第i个子电网的最大负载数据，n为所述预设时间段内采样时刻的数量，β为第一比例阈值，α为小于1的第二比例阈值，τ为大于1的系数。
3.如权利要求1或2所述的基于多时空尺度数据的电网异常识别方法，其特征在于：根据所述供电数据矩阵和所述重负载子电网，对所述供电数据矩阵进行降维，获得所述重负载子电网的监测矩阵，包括：
根据所述供电数据矩阵，获取所述重负载子电网在多个采样时刻的供电数据；
将所述采样时刻，以及所述重负载子电网在多个采样时刻的供电数据，获得所述重负载子电网的监测矩阵。
4.如权利要求3所述的基于多时空尺度数据的电网异常识别方法，其特征在于：将所述监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果，包括：
根据所述监测矩阵和所述多源配网多时空尺度数据模型，确定与所述监测矩阵对应的重负载子电网的类型；
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果。
5.如权利要求4所述的基于多时空尺度数据的电网异常识别方法，其特征在于：所述重负载子电网的类型包括存在运行效率风险的第一类型，
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：
通过所述多源配网多时空尺度数据模型，对所述第一类型的重负载子电网的监测矩阵进行数据筛选，获得待拟合负载数据；
对待拟合数据进行拟合处理，获得拟合曲线；
获取所述监测矩阵中未筛选到的对照负载数据；
根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果。
6.如权利要求5所述的基于多时空尺度数据的电网异常识别方法，其特征在于：根据所述对照负载数据和拟合曲线，确定所述第一类型的重负载子电网的异常识别结果表示为：
其中，D1为第一判别函数，lr,t为第t个采样时刻的对照负载数据，lf,t为第t个采样时刻在所述拟合曲线中的计算负载数据，γ为误差阈值，nt为数量阈值，lt为负载误差阈值。
7.如权利要求4-6任一项所述的基于多时空尺度数据的电网异常识别方法，其特征在于：所述重负载子电网的类型包括存在过载风险的第二类型，
根据所述重负载子电网的类型、所述监测矩阵和所述多源配网多时空尺度数据模型，确定所述重负载子电网的异常识别结果，包括：
通过所述多源配网多时空尺度数据模型，求解所述第二类型的重负载子电网的监测矩阵的实际负载数据进行统计，获得实际负载数据的均值和方差；
根据公式D2：lj＞m+θ1σ筛选负载异常数据，其中，D2为第二判别函数，lj为第j个采样时刻的实际负载数据，m为实际负载数据的均值，σ为实际负载数据的方差，θ1为第一预设倍数；
在lj为负载异常数据的情况下，去除lj，并利用{lj-a，lj-a+1…lj-1，lj+1…lj+b-1，lj+b}进行拟合，获得拟合数据l’j，其中，a和b均为正整数；
根据公式D3：l’j＞m+θ2σ，确定所述第二类型的重负载子电网的异常识别结果，θ2为第二预设倍数，且θ1＞θ2。
8.一种基于多时空尺度数据的电网异常识别系统，其特征在于，包括：
采样模块，用于在预设时间段内，获取多个子电网在多个采样时刻的多个类型的供电数据；
供电数据矩阵模块，用于根据所述供电数据，获得与多个采样时刻对应的供电数据矩阵；
筛选模块，用于根据所述供电数据矩阵，对所述多个子电网进行筛选，获得重负载监测子电网；
降维模块，用于根据所述供电数据矩阵和所述重负载子电网，对所述供电数据矩阵进行降维，获得所述重负载子电网的监测矩阵；
识别模块，用于将所述监测矩阵输入多源配网多时空尺度数据模型，确定异常识别结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1-7任一项所述的基于多时空尺度数据的电网异常识别方法。
10.一种计算机可读存储介质，其存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7任一项所述的基于多时空尺度数据的电网异常识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211571828.3A CN116108362A (zh) | 2022-12-08 | 2022-12-08 | 一种基于多时空尺度数据的电网异常识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211571828.3A CN116108362A (zh) | 2022-12-08 | 2022-12-08 | 一种基于多时空尺度数据的电网异常识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116108362A true CN116108362A (zh) | 2023-05-12 |
Family
ID=86260625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211571828.3A Pending CN116108362A (zh) | 2022-12-08 | 2022-12-08 | 一种基于多时空尺度数据的电网异常识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108362A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930595A (zh) * | 2023-09-18 | 2023-10-24 | 法拉迪电气有限公司 | 一种用于新能源并网调压的精准数据计量方法 |
-
2022
- 2022-12-08 CN CN202211571828.3A patent/CN116108362A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930595A (zh) * | 2023-09-18 | 2023-10-24 | 法拉迪电气有限公司 | 一种用于新能源并网调压的精准数据计量方法 |
| CN116930595B (zh) * | 2023-09-18 | 2023-11-24 | 法拉迪电气有限公司 | 一种用于新能源并网调压的精准数据计量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116108362A (zh) | 一种基于多时空尺度数据的电网异常识别方法及系统 | |
| CN110046182A (zh) | 一种巨型水电厂智能报警阈值设置方法及系统 | |
| CN104794535B (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
| CN111274546A (zh) | 一种电缆系统故障分析方法 | |
| CN116540941B (zh) | 一种基于云计算的数据存储安全控制系统 | |
| CN103310296A (zh) | 一种基于扰动评估和趋势分析的操作票安全校核方法 | |
| Yan et al. | Insecurity early warning for large scale hybrid AC/DC grids based on decision tree and semi-supervised deep learning | |
| CN114021846A (zh) | 工业企业设备状态预警方法及系统 | |
| CN103198364A (zh) | 基于遗传算法的核电站主变压器寿命管理策略寻优方法 | |
| CN114417971A (zh) | 一种基于k近邻密度峰值聚类的电力数据异常值检测算法 | |
| CN114722655A (zh) | 一种基于局部有限寿命疲劳约束条件的结构拓扑优化方法 | |
| CN109635001A (zh) | 基于设备失效数据分析的产品可靠性提升方法和系统 | |
| CN116823125A (zh) | 基于多源数据的白酒仓储异常预警系统 | |
| CN116317101A (zh) | 一种多源配网监测数据的电网运行状态监测方法及系统 | |
| CN110095669A (zh) | 一种输变电设备状态检测方法 | |
| CN114662589A (zh) | 一种电表故障研判方法、装置、设备和可读存储介质 | |
| TWI665564B (zh) | 工具機設備運作效率評分裝置及方法 | |
| CN112785142A (zh) | 物联网污水处理设备预警智慧工单方法及其系统 | |
| CN111898288A (zh) | 一种电力变压器绕组损坏风险评估方法 | |
| CN117390474A (zh) | 基于snn-密度峰值聚类的配电网受灾分析方法及系统 | |
| CN117409495B (zh) | 一种基于设备维修数据的最佳保养时间获取方法及系统 | |
| CN112686288A (zh) | 用电行为异常检测方法、装置、及计算机可读存储介质 | |
| CN114726313A (zh) | 光伏组件老化的判定方法 | |
| CN113962436A (zh) | 基于蒙特卡洛算法的汽轮机故障预警方法 | |
| Torres Castro et al. | Maintenance cost evaluation for heterogeneous complex systems under continuous monitoring |
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 |