CN116298482A - 一种用于电压数据监测的智能预警系统及方法 - Google Patents
一种用于电压数据监测的智能预警系统及方法 Download PDFInfo
- Publication number
- CN116298482A CN116298482A CN202310595305.0A CN202310595305A CN116298482A CN 116298482 A CN116298482 A CN 116298482A CN 202310595305 A CN202310595305 A CN 202310595305A CN 116298482 A CN116298482 A CN 116298482A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage sag
- voltage
- duration
- resource
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 239000002699 waste material Substances 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 7
- 230000006698 induction Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 208000025274 Lightning injury Diseases 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 229910021642 ultra pure water Inorganic materials 0.000 description 1
- 239000012498 ultrapure water Substances 0.000 description 1
Images
Classifications
-
- 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
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- 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
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
Abstract
本发明公开了一种用于电压数据监测的智能预警系统及方法,属于电压数据监测技术领域。本系统包括电压监测数据采集模块、电压暂降分析模块、资源分析模块以及数据预警模块;所述电压监测数据采集模块的输出端与所述电压暂降分析模块的输入端相连接;所述电压暂降分析模块的输出端与所述资源分析模块的输入端相连接;所述资源分析模块的输出端与所述数据预警模块的输入端相连接。本发明能够实现对于电压暂降持续时间的具体分析,基于不同的监测分析处理,判断持续时间的变化情况,同时根据对电压暂降的预防处理措施,实现储备资源的规划和调度。
Description
技术领域
本发明涉及电压数据监测技术领域,具体为一种用于电压数据监测的智能预警系统及方法。
背景技术
近年,半导体芯片制造业在国民经济中的作用越来越大,伴随着政府和相关企业单位在半导体制造业的投资不断增加,集成电路芯片制造生产过程中大规模使用电子器件和集成电路,而且自动化程度比较高。在整个加工工序中,存在大量的控制系统,例如基础的供配电系统,还包括空调系统、传送系统、特殊气体处理系统以及超纯水、真空等等,而且在半导体整个加工工序中设备繁多、工位器具多、工艺步骤繁多复杂,制造设备昂贵、性能精密,对供电电压波动极其敏感,毫秒级的电压波动,足以使得半导体工厂的工艺设备发生停机从而导致生产中断,造成巨大的直接和间接经济损失。
其中电压暂降问题一直影响着半导体行业生产的安全可靠性,电压暂降是指供电电压有效值RMS在短时间内突然大幅下降又恢复正常的现象。造成电压暂降事件的原因很复杂。有自然因素也有人为因素。有供电部门系统保护的因素,也有用户系统内设施故障或误操作的因素。如:雷击时造成的绝缘子闪络或对地放电会使保护装置动作。从而导致供电电压暂降,而不是过电压;大功率设备全电压启动时。启动电流为满载运行时的5至10倍。这一大电流流过系统阻抗时,会引起电压突然下降;整个电网结构中某一处发生短路故障,系统保护装置切除故障、重合闸的过程中,故障线路上的用户和相邻出线用户都将遭受电压暂降。
半导体制造业在面对电压暂降的故障问题上,虽然尝试了各种各样的方式,但依然无法消除影响,电压暂降持续时间一般定义为持续10ms-1min,不同的持续时间往往会造成不同的实际影响,如果一味根据最大影响建立预防措施,常常造成人力物力资源大幅度浪费,因此如何根据历史故障数据建立合适的补救措施是当前行业亟待解决的问题之一。
发明内容
本发明的目的在于提供一种用于电压数据监测的智能预警系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种用于电压数据监测的智能预警方法,该方法包括以下步骤:
S1、获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;
S2、获取电压暂降报告数据中的电压暂降持续时间,基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;
S3、获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据,计算相邻资源浪费占比数据值之间的差值,形成差值数据组,若存在差值数据组中,正值数量比负值数量高D1倍以上,选取正值数据拟合成学习函数关系;若存在差值数据组中,正值数量未比负值数量高D1倍以上,选取差值数据组中所有数据的绝对值求取平均值作为资源浪费占比输出,其中,D1代表系统预设数量值;
S4、基于预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行调节预警,输出至管理员端口。
根据上述技术方案,在步骤S2中,获取电压暂降报告数据中的电压暂降持续时间,构建电压暂降持续原则对电压暂降报告数据中的电压暂降持续时间进行分类,所述持续原则包括短持续与长持续;构建持续时间阈值m,超出时间阈值m的电压暂降持续时间记为长持续,不超过时间阈值m的电压暂降持续时间记为短持续。
电压暂降一般是因为输配电系统中发生短路故障、大容量感应电机启动、雷击、开关操作、变压器以及电容器组投切等事件,其中,短路故障、大容量感应电机启动和雷击是引起电压暂降的最主要原因。这三类故障造成的持续时间并不相同,例如在短路故障引起的电压暂降中,根据与故障点间的距离,各母线会出现不同程度的电压暂降,持续时间随距离存在一定的变化,一般情况偏短。在大容量感应电机启动引起的电压暂降中,在大容量感应电动机启动时,定子电流明显增大,可高达额定电流的5至6倍,从而引起所接母线发生电压暂降。电压暂降严重程度与感应电动机的容量、启动方式及负荷等因素有关。这种暂降的持续时间较长,但暂降程度一般较小。而在雷击时造成的绝缘子闪络或线路对地放电会是保护装置动作,从而导致供电电压电压暂降,这在多雷区尤为明显。这种暂降的影响范围大,持续时间一般超过100ms。
根据上述技术方案,获取电压暂降持续原则中任一种构建时间分析模型;
获取电压暂降持续原则中任一种原则下的历史数据,记录任一种原则下的所有电压暂降持续时间值,记为集合A1={t1、t2、……、tn};其中,t1、t2、……、tn分别为任一种原则下的电压暂降持续时间值;
构建移动平均模型,基于集合A1构建出预测数据;
以n+1作为下一次的时间预测结果:tn+1=b+k1*N;其中,b代表预测截距;k1代表预测斜率;N代表预测次数;
利用移动平均方式对预测截距与预测斜率进行取值计算:b=2s1-s2;k1=2(s1-s2)/(T-1);
其中,s1代表一次移动平均;s2代表二次移动平均;T代表移动数据组周期量;
基于预测结果建立:t(i)=F1t(i-1)+F2u(i)+w(i);
其中,F1代表状态转移矩阵,F2代表控制输入矩阵;w(i)代表噪声矩阵,为高斯分布;t(i)代表i时刻的系统状态的真实值;u是系统的输入向量;在这一步骤中,以移动平均下的预测值作为输入向量部分,其中真实值是我们需要计算的值,但这个值是无法得到的,因为只有实际发生才有确切的真实值,预测方式只是无限接近真实,因此基于这样的理论思想,进一步采用下方的卡尔曼滤波对移动平均下的预测值做更新,以使得其不断满足预测精度,更靠近真实值;
进一步构建卡尔曼滤波修正模型:
t(i丨i-1)=F1t(i-1丨i-1)+F2u(i)
P(i丨i-1)=F1P(i-1丨i-1)F1 T+Q
t(i丨i)=t(i丨i-1)+K(i)[Z(i)-Ht(i丨i-1)]
K(i)=P(i丨i-1)HT/[HP(i丨i-1)HT+R]
P(i丨i)=[I-K(i)H]P(i丨i-1)
其中,K(i)代表卡尔曼增益;t(i-1丨i-1)代表前一时刻系统的卡尔曼滤波最优估计值;t(i丨i)代表当前时刻系统的卡尔曼滤波最优估计值;P(i丨i)代表当前时刻最优估计协方差;P(i-1丨i-1)代表前一时刻最优估计协方差;t(i丨i-1)代表时刻之间卡尔曼滤波修正值;P(i丨i-1)代表时刻之间协方差修正值;Q代表噪声协方差;F1 T、HT分别代表状态转移矩阵、状态观测矩阵H的逆矩阵;Z(i)代表系统实测值,以移动平均预测值作为实测;R代表白噪声期望;其中,R、Q均服从[0,1]之间的正态分布;I代表单位矩阵;
利用卡尔曼滤波修正模型生成当前时刻系统的卡尔曼滤波最优估计值,作为当前时刻下的最佳预测值。
根据上述技术方案,所述对电压暂降的储备资源数据进行调节预警包括:
获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;
计算在同一种持续原则下每一次电压暂降形成的资源浪费占比数据值;
基于卡尔曼滤波修正模型调用不同时刻下的最佳预测值,对任一个最佳预测值选取与该值相同的历史数据下的资源浪费占比数据值;
计算相邻资源浪费占比数据值之间的差值,形成差值数据组,所述差值为前序数据减后序数据;
若存在差值数据组中,正值数量比负值数量高D1倍以上,选取正值数据拟合成学习函数关系:y=k3x+b1;其中,k3代表拟合系数值;b1代表拟合常数项,y指资源浪费占比输出,x代表拟合点;若存在差值数据组中,正值数量未比负值数量高D1倍以上,选取差值数据组中所有数据的绝对值求取平均值作为资源浪费占比输出;
在上述技术方案中,以作为一种衡量标准,在正值数量偏高时,证明资源浪费处于一个逐步的降低状态,说明存在人工学习经验,在负值数量偏高时,说明资源浪费逐步加剧,在正负值数量相近时,说明处于一个随机态,并未从中得到一定经验,因此在为学习到经验情况下,以平均值作为评估标准。
构建一未来周期,在未来周期内选取不同时刻下的最佳预测值,分别对应输出每个时刻下的资源浪费占比输出,设置资源浪费占比输出阈值,若存在对应输出每个时刻下的资源浪费占比输出超出资源浪费占比输出阈值的数量占比高于系统预设数量占比阈值,反馈给管理员进行预警,调节电压暂降的储备资源数据。
一种用于电压数据监测的智能预警系统,该系统包括电压监测数据采集模块、电压暂降分析模块、资源分析模块以及数据预警模块;
所述电压监测数据采集模块用于获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;所述电压暂降分析模块用于获取电压暂降报告数据中的电压暂降持续时间,基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;所述资源分析模块用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据,形成资源浪费数据与电压暂降持续时间之间的函数关系;所述数据预警模块用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行调节预警,输出至管理员端口;
所述电压监测数据采集模块的输出端与所述电压暂降分析模块的输入端相连接;所述电压暂降分析模块的输出端与所述资源分析模块的输入端相连接;所述资源分析模块的输出端与所述数据预警模块的输入端相连接。
根据上述技术方案,所述电压监测数据采集模块包括监测单元和调用单元;
所述监测单元用于获取监测区域内的历史电压监测数据;所述调用单元用于调取历史电压监测数据中电压暂降报告数据;
所述监测单元的输出端与所述调用单元的输入端相连接。
根据上述技术方案,所述电压暂降分析模块包括报告分析单元与电压暂降数据分析单元;
所述报告分析单元用于获取电压暂降报告数据中的电压暂降持续时间;所述电压暂降数据分析单元基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;
所述报告分析单元的输出端与所述电压暂降数据分析单元的输入端相连接。
根据上述技术方案,所述资源分析模块包括数据处理单元和函数单元;
所述数据处理单元用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;所述函数单元基于电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据形成资源浪费数据与电压暂降持续时间之间的函数关系;
所述数据处理单元的输出端与所述函数单元的输入端相连接。
根据上述技术方案,所述数据预警模块包括储备资源分析单元和预警单元;
所述储备资源分析单元用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行数据分析;所述预警单元用于反馈给管理员预警信息,提醒管理员调节电压暂降的储备资源数据;
所述储备资源分析单元的输出端与所述预警单元的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:本发明能够实现对于电压暂降持续时间的具体分析,基于不同的监测分析处理,判断持续时间的变化情况,同时根据对电压暂降的预防处理措施,实现储备资源的规划和调度。在半导体制造业上,尽可能降低电压暂降故障带来的影响,尽可能减少人力物力资源大幅度浪费,建立合适的电压暂降资源储备措施。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种用于电压数据监测的智能预警系统及方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
请参阅图1,在本实施例一中:提供一种电压数据监测的智能预警方法,该方法包括获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;构建电压暂降持续原则,所述持续原则包括短持续与长持续;构建持续时间阈值m,超出时间阈值m的电压暂降持续时间记为长持续,不超过时间阈值m的电压暂降持续时间记为短持续;
获取电压暂降报告数据中的电压暂降持续时间,获取电压暂降持续原则中任一种构建时间分析模型;
获取电压暂降持续原则中任一种原则下的历史数据,记录任一种原则下的所有电压暂降持续时间值,记为集合A1={t1、t2、……、tn};其中,t1、t2、……、tn分别为任一种原则下的电压暂降持续时间值;
构建移动平均模型,基于集合A1构建出预测数据;
以n+1作为下一次的时间预测结果:tn+1=b+k1*N;其中,b代表预测截距;k1代表预测斜率;N代表预测次数;
利用移动平均方式对预测截距与预测斜率进行取值计算:b=2s1-s2;k1=2(s1-s2)/(T-1);
其中,s1代表一次移动平均;s2代表二次移动平均;T代表移动数据组周期量;
基于预测结果建立:t(i)=F1t(i-1)+F2u(i)+w(i);
其中,F1代表状态转移矩阵,F2代表控制输入矩阵;w(i)代表噪声矩阵,为高斯分布;t(i)代表i时刻的系统状态的真实值;u是系统的输入向量;
进一步构建卡尔曼滤波修正模型:
t(i丨i-1)=F1t(i-1丨i-1)+F2u(i)
P(i丨i-1)=F1P(i-1丨i-1)F1 T+Q
t(i丨i)=t(i丨i-1)+K(i)[Z(i)-Ht(i丨i-1)]
K(i)=P(i丨i-1)HT/[HP(i丨i-1)HT+R]
P(i丨i)=[I-K(i)H]P(i丨i-1)
其中,K(i)代表卡尔曼增益;t(i-1丨i-1)代表前一时刻系统的卡尔曼滤波最优估计值;t(i丨i)代表当前时刻系统的卡尔曼滤波最优估计值;P(i丨i)代表当前时刻最优估计协方差;P(i-1丨i-1)代表前一时刻最优估计协方差;t(i丨i-1)代表时刻之间卡尔曼滤波修正值;P(i丨i-1)代表时刻之间协方差修正值;Q代表噪声协方差;F1 T、HT分别代表状态转移矩阵、状态观测矩阵H的逆矩阵;Z(i)代表系统实测值,以移动平均预测值作为实测;R代表白噪声期望;其中,R、Q均服从[0,1]之间的正态分布;I代表单位矩阵;
在本实施例中,具体计算如下:
KalmanFilter(matrix[] F1,matrix[] F2,matrix[] Q,matrix[]u,matrix[]z,matrix[]H,matrix[] R,int initialstate,int time)//输入变量说明
matrix[] xhat; //系统状态估计值
xhat(0)=initialstate;
for i=1:time
xhat(i|i-1)=F1*xhat(i-1)+F2*u(k); //先验估计值
P'(i)=F1*P(i-1)*F1 T+Q; //先验估计误差协方差
K=P'(i)*H'*inv(H*P'(i)*H'+R); //卡尔曼增益矩阵
xhat(i)=xhat(i|i-1)+K*(z(i)-H*xhat(i|i-1)); //后验估计值
P(i)=(I-K*H)*P'(i); //后验估计误差协方差
end
return xhat(time);
利用卡尔曼滤波修正模型生成当前时刻系统的卡尔曼滤波最优估计值,作为当前时刻下的最佳预测值。
所述对电压暂降的储备资源数据进行调节预警包括:
获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;
计算在同一种持续原则下每一次电压暂降形成的资源浪费占比数据值;
基于卡尔曼滤波修正模型调用不同时刻下的最佳预测值,对任一个最佳预测值选取与该值相同的历史数据下的资源浪费占比数据值;
计算相邻资源浪费占比数据值之间的差值,形成差值数据组,所述差值为前序数据减后序数据;
若存在差值数据组中,正值数量比负值数量高D1倍以上,选取正值数据拟合成学习函数关系:y=k3x+b1;其中,k3代表拟合系数值;b1代表拟合常数项,y指资源浪费占比输出,x代表拟合点;若存在差值数据组中,正值数量未比负值数量高D1倍以上,选取差值数据组中所有数据的绝对值求取平均值作为资源浪费占比输出;
构建一未来周期,在未来周期内选取不同时刻下的最佳预测值,分别对应输出每个时刻下的资源浪费占比输出,设置资源浪费占比输出阈值,若存在对应输出每个时刻下的资源浪费占比输出超出资源浪费占比输出阈值的数量占比高于系统预设数量占比阈值,反馈给管理员进行预警,调节电压暂降的储备资源数据。
在本实施例二中,提供一种用于电压数据监测的智能预警系统,该系统包括电压监测数据采集模块、电压暂降分析模块、资源分析模块以及数据预警模块;
所述电压监测数据采集模块用于获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;所述电压暂降分析模块用于获取电压暂降报告数据中的电压暂降持续时间,基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;所述资源分析模块用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据,形成资源浪费数据与电压暂降持续时间之间的函数关系;所述数据预警模块用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行调节预警,输出至管理员端口;
所述电压监测数据采集模块的输出端与所述电压暂降分析模块的输入端相连接;所述电压暂降分析模块的输出端与所述资源分析模块的输入端相连接;所述资源分析模块的输出端与所述数据预警模块的输入端相连接。
所述电压监测数据采集模块包括监测单元和调用单元;
所述监测单元用于获取监测区域内的历史电压监测数据;所述调用单元用于调取历史电压监测数据中电压暂降报告数据;
所述监测单元的输出端与所述调用单元的输入端相连接。
所述电压暂降分析模块包括报告分析单元与电压暂降数据分析单元;
所述报告分析单元用于获取电压暂降报告数据中的电压暂降持续时间;所述电压暂降数据分析单元基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;
所述报告分析单元的输出端与所述电压暂降数据分析单元的输入端相连接。
所述资源分析模块包括数据处理单元和函数单元;
所述数据处理单元用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;所述函数单元基于电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据形成资源浪费数据与电压暂降持续时间之间的函数关系;
所述数据处理单元的输出端与所述函数单元的输入端相连接。
所述数据预警模块包括储备资源分析单元和预警单元;
所述储备资源分析单元用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行数据分析;所述预警单元用于反馈给管理员预警信息,提醒管理员调节电压暂降的储备资源数据;
所述储备资源分析单元的输出端与所述预警单元的输入端相连接。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于电压数据监测的智能预警方法,其特征在于:该方法包括以下步骤:
S1、获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;
S2、获取电压暂降报告数据中的电压暂降持续时间,基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间,基于预测结果作为卡尔曼滤波的系统实测值,对预测进行修正;
S3、获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据,计算相邻资源浪费占比数据值之间的差值,形成差值数据组,若存在差值数据组中,正值数量比负值数量高D1倍以上,选取正值数据拟合成学习函数关系;若存在差值数据组中,正值数量未比负值数量高D1倍以上,选取差值数据组中所有数据的绝对值求取平均值作为资源浪费占比输出,其中,D1代表系统预设数量值;
S4、基于预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行调节预警,输出至管理员端口。
2.根据权利要求1所述的一种用于电压数据监测的智能预警方法,其特征在于:在步骤S2中,获取电压暂降报告数据中的电压暂降持续时间,构建电压暂降持续原则对电压暂降报告数据中的电压暂降持续时间进行分类,所述持续原则包括短持续与长持续;构建持续时间阈值m,超出时间阈值m的电压暂降持续时间记为长持续,不超过时间阈值m的电压暂降持续时间记为短持续。
3.根据权利要求2所述的一种用于电压数据监测的智能预警方法,其特征在于:获取电压暂降持续原则中任一种构建时间分析模型;
获取电压暂降持续原则中任一种原则下的历史数据,记录任一种原则下的所有电压暂降持续时间值,记为集合A1={t1、t2、……、tn};其中,t1、t2、……、tn分别为任一种原则下的电压暂降持续时间值;
构建移动平均模型,基于集合A1构建出预测数据;
以n+1作为下一次的时间预测结果:tn+1=b+k1*N;其中,b代表预测截距;k1代表预测斜率;N代表预测次数;
利用移动平均方式对预测截距与预测斜率进行取值计算:b=2s1-s2;k1=2(s1-s2)/(T-1);
其中,s1代表一次移动平均;s2代表二次移动平均;T代表移动数据组周期量;
基于预测结果建立:t(i)=F1t(i-1)+F2u(i)+w(i);
其中,F1代表状态转移矩阵,F2代表控制输入矩阵;w(i)代表噪声矩阵,为高斯分布;t(i)代表i时刻的系统状态的真实值;u是系统的输入向量;
进一步构建卡尔曼滤波修正模型:
t(i丨i-1)=F1t(i-1丨i-1)+F2u(i)
P(i丨i-1)=F1P(i-1丨i-1)F1 T+Q
t(i丨i)=t(i丨i-1)+K(i)[Z(i)-Ht(i丨i-1)]
K(i)=P(i丨i-1)HT/[HP(i丨i-1)HT+R]
P(i丨i)=[I-K(i)H]P(i丨i-1)
其中,K(i)代表卡尔曼增益;t(i-1丨i-1)代表前一时刻系统的卡尔曼滤波最优估计值;t(i丨i)代表当前时刻系统的卡尔曼滤波最优估计值;P(i丨i)代表当前时刻最优估计协方差;P(i-1丨i-1)代表前一时刻最优估计协方差;t(i丨i-1)代表时刻之间卡尔曼滤波修正值;P(i丨i-1)代表时刻之间协方差修正值;Q代表噪声协方差;F1 T、HT分别代表状态转移矩阵、状态观测矩阵H的逆矩阵;Z(i)代表系统实测值,以移动平均预测值作为实测;R代表白噪声期望;其中,R、Q均服从[0,1]之间的正态分布;I代表单位矩阵;
利用卡尔曼滤波修正模型生成当前时刻系统的卡尔曼滤波最优估计值,作为当前时刻下的最佳预测值。
4.根据权利要求3所述的一种用于电压数据监测的智能预警方法,其特征在于:所述对电压暂降的储备资源数据进行调节预警包括:
获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;
计算在同一种持续原则下每一次电压暂降形成的资源浪费占比数据值;
基于卡尔曼滤波修正模型调用不同时刻下的最佳预测值,对任一个最佳预测值选取与该值相同的历史数据下的资源浪费占比数据值;
计算相邻资源浪费占比数据值之间的差值,形成差值数据组,所述差值为前序数据减后序数据;
若存在差值数据组中,正值数量比负值数量高D1倍以上,选取正值数据拟合成学习函数关系:y=k3x+b1;其中,k3代表拟合系数值;b1代表拟合常数项,y指资源浪费占比输出,x代表拟合点;若存在差值数据组中,正值数量未比负值数量高D1倍以上,选取差值数据组中所有数据的绝对值求取平均值作为资源浪费占比输出,其中,D1代表系统预设数量值;
构建一未来周期,在未来周期内选取不同时刻下的最佳预测值,分别对应输出每个时刻下的资源浪费占比输出,设置资源浪费占比输出阈值,若存在对应输出每个时刻下的资源浪费占比输出超出资源浪费占比输出阈值的数量占比高于系统预设数量占比阈值,反馈给管理员进行预警,调节电压暂降的储备资源数据。
5.一种用于电压数据监测的智能预警系统,其特征在于:该系统包括电压监测数据采集模块、电压暂降分析模块、资源分析模块以及数据预警模块;
所述电压监测数据采集模块用于获取监测区域内的历史电压监测数据,调取历史电压监测数据中电压暂降报告数据;所述电压暂降分析模块用于获取电压暂降报告数据中的电压暂降持续时间,基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;所述资源分析模块用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据,形成资源浪费数据与电压暂降持续时间之间的函数关系;所述数据预警模块用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行调节预警,输出至管理员端口;
所述电压监测数据采集模块的输出端与所述电压暂降分析模块的输入端相连接;所述电压暂降分析模块的输出端与所述资源分析模块的输入端相连接;所述资源分析模块的输出端与所述数据预警模块的输入端相连接。
6.根据权利要求5所述的一种用于电压数据监测的智能预警系统,其特征在于:所述电压监测数据采集模块包括监测单元和调用单元;
所述监测单元用于获取监测区域内的历史电压监测数据;所述调用单元用于调取历史电压监测数据中电压暂降报告数据;
所述监测单元的输出端与所述调用单元的输入端相连接。
7.根据权利要求5所述的一种用于电压数据监测的智能预警系统,其特征在于:所述电压暂降分析模块包括报告分析单元与电压暂降数据分析单元;
所述报告分析单元用于获取电压暂降报告数据中的电压暂降持续时间;所述电压暂降数据分析单元基于电压暂降持续时间构建时间分析模型,输出预测下一周期的电压暂降持续时间;
所述报告分析单元的输出端与所述电压暂降数据分析单元的输入端相连接。
8.根据权利要求5所述的一种用于电压数据监测的智能预警系统,其特征在于:所述资源分析模块包括数据处理单元和函数单元;
所述数据处理单元用于获取电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据;所述函数单元基于电压暂降报告数据中的每一次电压暂降造成的实际资源消耗与电压暂降的储备资源数据形成资源浪费数据与电压暂降持续时间之间的函数关系;
所述数据处理单元的输出端与所述函数单元的输入端相连接。
9.根据权利要求5所述的一种用于电压数据监测的智能预警系统,其特征在于:所述数据预警模块包括储备资源分析单元和预警单元;
所述储备资源分析单元用于根据预测的下一周期的电压暂降持续时间,对电压暂降的储备资源数据进行数据分析;所述预警单元用于反馈给管理员预警信息,提醒管理员调节电压暂降的储备资源数据;
所述储备资源分析单元的输出端与所述预警单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595305.0A CN116298482B (zh) | 2023-05-25 | 2023-05-25 | 一种用于电压数据监测的智能预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595305.0A CN116298482B (zh) | 2023-05-25 | 2023-05-25 | 一种用于电压数据监测的智能预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116298482A true CN116298482A (zh) | 2023-06-23 |
CN116298482B CN116298482B (zh) | 2023-08-01 |
Family
ID=86801828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310595305.0A Active CN116298482B (zh) | 2023-05-25 | 2023-05-25 | 一种用于电压数据监测的智能预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298482B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500367A (zh) * | 2023-06-25 | 2023-07-28 | 常州满旺半导体科技有限公司 | 基于大数据的电压源性能自适应监测系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886518A (zh) * | 2014-03-21 | 2014-06-25 | 国家电网公司 | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 |
CN206431193U (zh) * | 2016-12-21 | 2017-08-22 | 国网冀北电力有限公司秦皇岛供电公司 | 电网电压暂降监测报警装置 |
WO2018026964A1 (en) * | 2016-08-03 | 2018-02-08 | Zeco Systems Inc. | Distributed resource electrical demand forecasting system and method |
CN111738876A (zh) * | 2020-06-23 | 2020-10-02 | 缙云县曦田节能科技有限公司 | 一种基于物联网的电力节电管理系统 |
CN113804997A (zh) * | 2021-08-23 | 2021-12-17 | 西安理工大学 | 基于双向WaveNet深度学习的电压暂降源定位方法 |
CN113886183A (zh) * | 2021-10-11 | 2022-01-04 | 国网河南省电力公司电力科学研究院 | 测算电压暂降事件发生时间的方法 |
CN113919430A (zh) * | 2021-10-18 | 2022-01-11 | 国网信息通信产业集团有限公司 | 电压暂降监测判别方法及装置 |
CN114707239A (zh) * | 2022-03-24 | 2022-07-05 | 江西电力职业技术学院 | 电能资源分配规划方法、装置和电子设备 |
-
2023
- 2023-05-25 CN CN202310595305.0A patent/CN116298482B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886518A (zh) * | 2014-03-21 | 2014-06-25 | 国家电网公司 | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 |
WO2018026964A1 (en) * | 2016-08-03 | 2018-02-08 | Zeco Systems Inc. | Distributed resource electrical demand forecasting system and method |
CN206431193U (zh) * | 2016-12-21 | 2017-08-22 | 国网冀北电力有限公司秦皇岛供电公司 | 电网电压暂降监测报警装置 |
CN111738876A (zh) * | 2020-06-23 | 2020-10-02 | 缙云县曦田节能科技有限公司 | 一种基于物联网的电力节电管理系统 |
CN113804997A (zh) * | 2021-08-23 | 2021-12-17 | 西安理工大学 | 基于双向WaveNet深度学习的电压暂降源定位方法 |
CN113886183A (zh) * | 2021-10-11 | 2022-01-04 | 国网河南省电力公司电力科学研究院 | 测算电压暂降事件发生时间的方法 |
CN113919430A (zh) * | 2021-10-18 | 2022-01-11 | 国网信息通信产业集团有限公司 | 电压暂降监测判别方法及装置 |
CN114707239A (zh) * | 2022-03-24 | 2022-07-05 | 江西电力职业技术学院 | 电能资源分配规划方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
RAFAEL CISNEROS-MAGAÑA等: "Time-Domain Voltage Sag State Estimation Based on the Unscented Kalman Filter for Power Systems with Nonlinear Components", 《MDPI》, vol. 11, no. 6, pages 1 - 20 * |
司学振等: "基于实测数据的电压暂降特性分析", 《电力自动化设备》, vol. 37, no. 12, pages 144 - 149 * |
徐悦等: "基于场景构建的电压暂降特征量随机评估方法", 《电力系统保护与控制》, vol. 49, no. 09, pages 105 - 112 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500367A (zh) * | 2023-06-25 | 2023-07-28 | 常州满旺半导体科技有限公司 | 基于大数据的电压源性能自适应监测系统及方法 |
CN116500367B (zh) * | 2023-06-25 | 2023-08-25 | 常州满旺半导体科技有限公司 | 基于大数据的电压源性能自适应监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116298482B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116298482B (zh) | 一种用于电压数据监测的智能预警系统及方法 | |
Khoshkhoo et al. | On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system | |
CN109474067B (zh) | 一种电网调度故障处理辅助决策方法 | |
CN110108997A (zh) | 一种变频器自检方法 | |
Nale et al. | Comparative assessment of passive islanding detection techniques for microgrid | |
CN111505434A (zh) | 一种低压配电表箱线路、表箱故障隐患识别方法 | |
CN109066726A (zh) | 一种综合多类措施的频率安全紧急协调优化控制方法 | |
Lin et al. | Adaptive multiple fault detection and alarm processing for loop system with probabilistic network | |
CN110728065A (zh) | 电压暂降故障概率估计及损失评估方法 | |
CN109921452A (zh) | 一种基于避雷器的复合式直流卸荷电路的控制方法 | |
Xu et al. | Online adaptive optimum coordination of overcurrent relays | |
CN110661294A (zh) | 基于自适应核密度估计的含有dfig的区间暂降频次估计方法 | |
Mali et al. | A technical investigation of voltage sag | |
CN117332215A (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN115588961B (zh) | 一种基于配电网全模型保护的整定值自适应整定方法 | |
Taheri et al. | A novel approach for detection high impedance fault in DC microgrid | |
Venugopal et al. | Artificial neural network based fault prediction framework for transformers in power systems | |
CN109742845B (zh) | 一种基于最优相的电源快切装置快速合闸方法 | |
CN110133433B (zh) | 一种基于突变积分乘积的直流配电网故障扰动辨识方法 | |
Zhong et al. | Optimal Sizing and placement method for dynamic voltage restorers with mitigation expectation index | |
CN208188649U (zh) | 一种基于移动互联网的小水电过压切机实时在线监控系统 | |
Baerthlein et al. | Variable voltage set point control of tap changers in distribution grids | |
CN112379192B (zh) | 一种微电网孤岛检测装置及方法 | |
CN113030653B (zh) | 一种用于直流电网单端保护的故障识别方法 | |
Lin et al. | A Reliability-based DG Planning Method against Ice Storm Weather |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An intelligent early warning system and method for voltage data monitoring Effective date of registration: 20231022 Granted publication date: 20230801 Pledgee: China Construction Bank Changzhou Tianning sub branch Pledgor: Changzhou manwang Semiconductor Technology Co.,Ltd. Registration number: Y2023980061694 |