CN116345696B - 一种基于全域监测的异常信息分析管理系统及方法 - Google Patents
一种基于全域监测的异常信息分析管理系统及方法 Download PDFInfo
- Publication number
- CN116345696B CN116345696B CN202310611338.XA CN202310611338A CN116345696B CN 116345696 B CN116345696 B CN 116345696B CN 202310611338 A CN202310611338 A CN 202310611338A CN 116345696 B CN116345696 B CN 116345696B
- Authority
- CN
- China
- Prior art keywords
- fault
- power equipment
- power
- historical
- historical fault
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 102
- 208000024891 symptom Diseases 0.000 claims abstract description 55
- 230000007704 transition Effects 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims description 31
- 238000013210 evaluation model Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000009960 carding Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method 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
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
Abstract
本发明涉及电力设备状态监管技术领域，具体为一种基于全域监测的异常信息分析管理系统及方法，包括根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；在相应历史故障运维记录中，捕捉出现故障征兆的起点时间；捕捉在呈现故障状态前的征兆过渡周期和征兆过渡时长；对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准；对配电网中所有历史故障运维记录进行信息分析，对电力设备进行故障预测。
Description
技术领域
本发明涉及电力设备状态监管技术领域，具体为一种基于全域监测的异常信息分析管理系统及方法。
背景技术
当一个电力设备拓扑网内任意一个电力设备一旦被诊断为故障，通常控制中心能在最短的时间内采取一些保护措施，使得故障造成的损失范围最小，而这些保护措施往往都只是直接激昂供电源切断或者将故障设备与其他设备之间的连接切断；但是在电力设备在最终被诊断为故障前总是避免不了存在一定的故障征兆期，可以理解为设备在呈现最终故障前存在一段时间，该时间内设备的运行状态呈现下降或者波动，现存的故障诊断机制大多都是当其运行状态下降至某阈值时进行故障预警，但是下降的过程从时间维度上而言是往往是连续的，不是骤然的；
而因为故障的设备在故障前往往会存在有以非最佳运行状态进行工作的或长或短的周期，因此，对于当下从未或者尚且处于完好状态的电力设备而言，上述现象在一定程度上会加快其出现故障的时间。
发明内容
本发明的目的在于提供一种基于全域监测的异常信息分析管理系统及方法，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：一种基于全域监测的异常信息分析管理方法，方法包括：
步骤S100：分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；其中，运行参数包括运行电压、运行电流、运行功率；
步骤S200：调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中，捕捉出现故障征兆的起点时间；对各发生故障的电力设备，于相应历史故障运维记录中，捕捉在呈现故障状态前的征兆过渡周期和征兆过渡时长；
步骤S300：根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；其中，一个历史故障运维记录对应一个历史故障事件；
步骤S400：分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
步骤S500：对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测。
进一步的，步骤S200包括：
步骤S201：设某一历史故障运维记录中，对应发生故障的电力设备为A，对应A配置的状态监测终端为PA；在某一历史故障运维记录中，捕捉PA将对A诊断为故障的诊断结论反馈至控制中心的时间节点t；判断时间节点t为在某一历史故障运维记录中，电力设备A呈现故障状态时对应的时间节点，设t为故障时间节点；
步骤S202：设置回溯周期Tr，对时间范围[t-Tr，t]设置最小单位采集周期Te，将PA在时间范围[t-Tr，t-Te]内，间隔最小单位采集周期Te，对A采集到的所有运行参数集合进行汇集，得到对应A的运行参数序列{Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te、...、Qt-Te}；其中，Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te...、Qt-Te分别表示PA在时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te对A采集到的运行参数集合；
步骤S203：设A在故障时间节点t时对应的运行参数集合Qt为故障参数集合；分别对故障参数集合和运行参数序列内各运行参数集合提取特征值，获取各运行参数集合与故障表征集合之间的特征值偏差值；将对应时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te与故障表征集合之间的特征值偏差值进行曲线拟合；拟合曲线的横坐标为时间，纵坐标为特征值偏差值；
步骤S204：捕捉在拟合曲线中出现的所有拐点，提取于时间顺序上出现的第一个拐点位置，基于拟合曲线获取第一个拐点位置对应的时间tw，判断tw为在某一历史故障运维记录中，A出现故障征兆的起点时间，设[tw,t]为A在呈现故障状态前的征兆过渡周期，设Tf=t-tw为A在呈现故障状态前的征兆过渡时长。
进一步的，步骤S300包括：
步骤S301：设某一历史故障运维记录中对应发生故障的电力设备为B，对应B配置的状态监测终端为PB，在PB所在的拓扑通信网中，捕捉与PB相互连接的其他状态监测终端，分别获取其他状态监测终端与PB之间的通信线路距离；
步骤S302：分别将其他状态监测终端对应的电力设备，设为电力设备B的关联电力设备，将对应的通信线路距离设为对应电力设备与电力设备B之间的连接线路长度；
步骤S303：提取在某一历史故障运维记录中，电力设备B在呈现故障状态前的征兆过渡时长TfB，分别计算在某一历史故障运维记录对应的故障事件中，各个关联电力设备与电力设备B之间呈现的关联影响值β=TfB×(1/L)；其中，L表示各个关联电力设备与电力设备B之间的连接线路长度；将关联影响值β大于影响阈值的关联电力设备，初步判断为受某一历史故障运维记录对应故障事件影响的电力设备；
上述关联影响值的计算过程，也就是对故障设备在最终呈现故障前，以初始出现故障征兆时对应的运行状态进行工作，所带给其他与之相连接的设备的影响进行评估的过程；
上述通过TfB和1/L两个参数来定义两个电力设备之间的关联影响值，TfB越大说明在该次事件中从电力设备B开始出现故障征兆到PB最终将电力设备B诊断为故障并发送至控制中心所历经的时长越长，将1/L越大，说明两个电力设备之间的连接线路长度越短，意味着在电力设备B端出现故障时，另一个电力设备受电力设备B以非最佳运行状态工作影响的可能性越小。
进一步的，步骤S400包括：
步骤S401：将每一历史故障运维记录中，初步判断为受每一历史故障运维记录对应故障事件影响的各电力设备为目标电力设备；提取任意目标电力设备Gi对应的状态监测终端，采集任意目标电力设备Gi于故障设备的征兆过渡周期[tw，t]内出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第一拟合曲线；采集任意目标电力设备Gi于tw前出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第二拟合曲线；
步骤S402：在第二拟合曲线中截取与第一拟合曲线相似度最高的曲线段，将曲线段设为目标曲线段；分别将目标曲线段和第一拟合曲线每间隔一个单位周期进行一次曲线划分，分别得到若干曲线段；其中，将目标曲线段划分得到的若干曲线段，分别与将第一拟合曲线划分得到的若干曲线段一一对应，构成对照组；对每一对照组中的曲线段计算相似度；
步骤S403：将曲线段相似度小于相似度阈值的对照组设为目标对照组；计算任意目标电力设备Gi在每一历史故障运维记录中受到的状态影响值δ=d/D；其中，d表示目标对照组的总个数；D表示对照组的总个数；
步骤S404：将状态影响值小于阈值的目标电力设备，从初步界定的受相应历史故障事件影响的电力设备范围内剔除。
进一步的，步骤S500包括：
步骤S501：分别获取配电网内各电力设备对应的历史故障运维记录总次数N，获取各电力设备被标记为任意历史故障事件的特征电力设备的总次数M；
步骤S502：构建预测评估模型：H=x1×N+x2×M；其中，x1、x2分别表示第一权重值、第二权重值；其中，H表示故障率；其中，x1>x2；
步骤S503：基于预测评估函数，分别对各电力设备进行故障率预测，将故障率大于阈值的电力设备反馈至管理人员端口，提示管理人员对相应电力设备进行重点状态监测。
为更好的实现上述方法，还提出了一种异常信息分析管理系统，其特征在于，系统包括配电网信息采集模块、故障事件异常信息梳理模块、故障事件影响范围筛查模块、故障事件影响范围校准模块、设备故障预测管理模块；
配电网信息采集模块，用于分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；
故障事件异常信息梳理模块，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；对各发生故障的电力设备于相应历史故障运维记录中，在呈现故障状态前的征兆过渡周期和征兆过渡时长进行捕捉；
故障事件影响范围筛查模块，用于根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；
故障事件影响范围校准模块，用于分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
设备故障预测管理模块，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测。
进一步的，故障事件异常信息梳理模块包括第一特征提取单元、第二特征信息提取单元；
第一特征提取单元，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；
第二特征信息提取单元，用于对各发生故障的电力设备，于相应历史故障运维记录中，捕捉呈现故障状态前的征兆过渡周期和征兆过渡时长。
进一步的，设备故障预测管理模块包括预测评估模型构建单元、反馈管理单元；
预测评估模型构建单元，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，构建预测评估模型，对各电力设备进行故障预测；
反馈管理单元，用于接收预测评估模型构建单元中的数据，反馈管理人员端口提前对相应电力设备重点进行状态监测。
与现有技术相比，本发明所达到的有益效果是：本发明对各电力设备在最终呈现故障前的征兆期造成的影响范围进行捕捉监测，通过监测关联电力设备的运行状态波动现象，对在每一电力设备对应的故障事件中受到影响设备范围进行界定捕捉，同时基于各电力设备的历史故障事件分布情况以及受故障事件影响的分布情况，对各电力设备进行故障预警值预估，提高对配电网内的各电力设备的状态监测效率以及故障检测准确度。
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是本发明一种基于全域监测的异常信息分析管理方法的流程示意图；
图2是本发明一种基于全域监测的异常信息分析管理系统的结构示意图。
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-图2，本发明提供技术方案：一种基于全域监测的异常信息分析管理方法，方法包括：
步骤S100：分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；其中，运行参数包括运行电压、运行电流、运行功率；
步骤S200：调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中，捕捉出现故障征兆的起点时间；对各发生故障的电力设备，于相应历史故障运维记录中，捕捉在呈现故障状态前的征兆过渡周期和征兆过渡时长；
其中，步骤S200包括：
步骤S201：设某一历史故障运维记录中，对应发生故障的电力设备为A，对应A配置的状态监测终端为PA；在某一历史故障运维记录中，捕捉PA将对A诊断为故障的诊断结论反馈至控制中心的时间节点t；判断时间节点t为在某一历史故障运维记录中，电力设备A呈现故障状态时对应的时间节点，设t为故障时间节点；
步骤S202：设置回溯周期Tr，对时间范围[t-Tr，t]设置最小单位采集周期Te，将PA在时间范围[t-Tr，t-Te]内，间隔最小单位采集周期Te，对A采集到的所有运行参数集合进行汇集，得到对应A的运行参数序列{Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te、...、Qt-Te}；其中，Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te...、Qt-Te分别表示PA在时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te对A采集到的运行参数集合；
步骤S203：设A在故障时间节点t时对应的运行参数集合Qt为故障参数集合；分别对故障参数集合和运行参数序列内各运行参数集合提取特征值，获取各运行参数集合与故障表征集合之间的特征值偏差值；将对应时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te与故障表征集合之间的特征值偏差值进行曲线拟合；其中，拟合曲线的横坐标为时间，纵坐标为特征值偏差值；
步骤S204：捕捉在拟合曲线中出现的所有拐点，提取于时间顺序上出现的第一个拐点位置，基于拟合曲线获取第一个拐点位置对应的时间tw，判断tw为在某一历史故障运维记录中，A出现故障征兆的起点时间，设[tw,t]为A在呈现故障状态前的征兆过渡周期，设Tf=t-tw为A在呈现故障状态前的征兆过渡时长；
步骤S300：根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；其中，一个历史故障运维记录对应一个历史故障事件； 其中，步骤S300包括：
步骤S301：设某一历史故障运维记录中对应发生故障的电力设备为B，对应B配置的状态监测终端为PB，在PB所在的拓扑通信网中，捕捉与PB相互连接的其他状态监测终端，分别获取其他状态监测终端与PB之间的通信线路距离；
步骤S302：分别将其他状态监测终端对应的电力设备，设为电力设备B的关联电力设备，将对应的通信线路距离设为对应电力设备与电力设备B之间的连接线路长度；
步骤S303：提取在某一历史故障运维记录中，电力设备B在呈现故障状态前的征兆过渡时长TfB，分别计算在某一历史故障运维记录对应的故障事件中，各个关联电力设备与电力设备B之间呈现的关联影响值β=TfB×(1/L)；其中，L表示各个关联电力设备与电力设备B之间的连接线路长度；将关联影响值β大于影响阈值的关联电力设备，初步判断为受某一历史故障运维记录对应故障事件影响的电力设备；
步骤S400：分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
其中，步骤S400包括：
步骤S401：将每一历史故障运维记录中，初步判断为受每一历史故障运维记录对应故障事件影响的各电力设备为目标电力设备；提取任意目标电力设备Gi对应的状态监测终端，采集任意目标电力设备Gi于故障设备的征兆过渡周期[tw，t]内出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第一拟合曲线；采集任意目标电力设备Gi于tw前出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第二拟合曲线；
步骤S402：在第二拟合曲线中截取与第一拟合曲线相似度最高的曲线段，将曲线段设为目标曲线段；分别将目标曲线段和第一拟合曲线每间隔一个单位周期进行一次曲线划分，分别得到若干曲线段；其中，将目标曲线段划分得到的若干曲线段，分别与将第一拟合曲线划分得到的若干曲线段一一对应，构成对照组；对每一对照组中的曲线段计算相似度；
步骤S403：将曲线段相似度小于相似度阈值的对照组设为目标对照组；计算任意目标电力设备Gi在每一历史故障运维记录中受到的状态影响值δ=d/D；其中，d表示目标对照组的总个数；D表示对照组的总个数；
例如说，分别将任意目标电力设备Gi对应的目标曲线段和第一拟合曲线每间隔3分钟进行一次曲线划分，将目标曲线段和第一拟合曲线各自划分得到6段曲线段，构建得到6组曲线段的对照组；
其中，第1组、第2组中的曲线段相似度小于相似度阈值，因此第1组、第2组为目标对照组，即d=2；总组数为6，即，D=6，因此，任意目标电力设备Gi在每一历史故障运维记录中受到的状态影响值δ=d/D=2/6=1/3；
步骤S404：将状态影响值小于阈值的目标电力设备，从初步界定的受相应历史故障事件影响的电力设备范围内剔除；
步骤S500：对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测；
其中，步骤S500包括：
步骤S501：分别获取配电网内各电力设备对应的历史故障运维记录总次数N，获取各电力设备被标记为任意历史故障事件的特征电力设备的总次数M；
步骤S502：构建预测评估模型：H=x1×N+x2×M；其中，x1、x2分别表示第一权重值、第二权重值；其中，H表示故障率；其中，x1>x2；
步骤S503：基于预测评估函数，分别对各电力设备进行故障率预测，将故障率大于阈值的电力设备反馈至管理人员端口，提示管理人员对相应电力设备进行重点状态监测。
为更好的实现上述方法，还提出了一种异常信息分析管理系统，其特征在于，系统包括配电网信息采集模块、故障事件异常信息梳理模块、故障事件影响范围筛查模块、故障事件影响范围校准模块、设备故障预测管理模块；
配电网信息采集模块，用于分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；
故障事件异常信息梳理模块，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；对各发生故障的电力设备于相应历史故障运维记录中，在呈现故障状态前的征兆过渡周期和征兆过渡时长进行捕捉；
其中，故障事件异常信息梳理模块包括第一特征提取单元、第二特征信息提取单元；
第一特征提取单元，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；
第二特征信息提取单元，用于对各发生故障的电力设备，于相应历史故障运维记录中，捕捉呈现故障状态前的征兆过渡周期和征兆过渡时长；
故障事件影响范围筛查模块，用于根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；
故障事件影响范围校准模块，用于分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
设备故障预测管理模块，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测；
其中，设备故障预测管理模块包括预测评估模型构建单元、反馈管理单元；
预测评估模型构建单元，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，构建预测评估模型，对各电力设备进行故障预测；
反馈管理单元，用于接收预测评估模型构建单元中的数据，反馈管理人员端口提前对相应电力设备重点进行状态监测。
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 (7)
1.一种基于全域监测的异常信息分析管理方法，其特征在于，所述方法包括：
步骤S100：分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对所述相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；其中，所述运行参数包括运行电压、运行电流、运行功率；
步骤S200：调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中，捕捉出现故障征兆的起点时间；对各发生故障的电力设备，于所述相应历史故障运维记录中，捕捉在呈现故障状态前的征兆过渡周期和征兆过渡时长；
所述步骤S200包括：
步骤S201：设某一历史故障运维记录中，对应发生故障的电力设备为A，对应A配置的状态监测终端为PA；在所述某一历史故障运维记录中，捕捉PA将对A诊断为故障的诊断结论反馈至控制中心的时间节点t；判断时间节点t为在所述某一历史故障运维记录中，电力设备A呈现故障状态时对应的时间节点，设t为故障时间节点；
步骤S202：设置回溯周期Tr，对时间范围[t-Tr，t]设置最小单位采集周期Te，将PA在时间范围[t-Tr，t-Te]内，间隔所述最小单位采集周期Te，对A采集到的所有运行参数集合进行汇集，得到对应A的运行参数序列{Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te、...、Qt-Te}；其中，Qt-Tr、Q(t-Tr)+Te、Q(t-Tr)+2Te...、Qt-Te分别表示PA在时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te对A采集到的运行参数集合；
步骤S203：设A在故障时间节点t时对应的运行参数集合Qt为故障参数集合；分别对故障参数集合和运行参数序列内各运行参数集合提取特征值，获取各运行参数集合与故障表征集合之间的特征值偏差值；将对应时间节点t-Tr、(t-Tr)+Te、(t-Tr)+2Te、...、t-Te与故障表征集合之间的特征值偏差值进行曲线拟合；
步骤S204：捕捉在拟合曲线中出现的所有拐点，提取于时间顺序上出现的第一个拐点位置，基于拟合曲线获取所述第一个拐点位置对应的时间tw，判断tw为在所述某一历史故障运维记录中，A出现故障征兆的起点时间，设[tw,t]为A在呈现故障状态前的征兆过渡周期，设Tf=t-tw为A在呈现故障状态前的征兆过渡时长；
步骤S300：根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；其中，一个历史故障运维记录对应一个历史故障事件；
步骤S400：分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
步骤S500：对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测。
2.根据权利要求1所述的一种基于全域监测的异常信息分析管理方法，其特征在于，所述步骤S300包括：
步骤S301：设某一历史故障运维记录中对应发生故障的电力设备为B，对应B配置的状态监测终端为PB，在PB所在的拓扑通信网中，捕捉与PB相互连接的其他状态监测终端，分别获取所述其他状态监测终端与PB之间的通信线路距离；
步骤S302：分别将所述其他状态监测终端对应的电力设备，设为电力设备B的关联电力设备，将对应的所述通信线路距离设为对应所述电力设备与电力设备B之间的连接线路长度；
步骤S303：提取在所述某一历史故障运维记录中，电力设备B在呈现故障状态前的征兆过渡时长TfB，分别计算在所述某一历史故障运维记录对应的故障事件中，各个关联电力设备与电力设备B之间呈现的关联影响值β=TfB×(1/L)；其中，L表示所述各个关联电力设备与电力设备B之间的连接线路长度；将关联影响值β大于影响阈值的关联电力设备，初步判断为受所述某一历史故障运维记录对应故障事件影响的电力设备。
3.根据权利要求2所述的一种基于全域监测的异常信息分析管理方法，其特征在于，所述步骤S400包括：
步骤S401：将每一历史故障运维记录中，初步判断为受所述每一历史故障运维记录对应故障事件影响的各电力设备为目标电力设备；提取任意目标电力设备Gi对应的状态监测终端，采集所述任意目标电力设备Gi于所述故障设备的征兆过渡周期[tw，t]内出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第一拟合曲线；采集所述任意目标电力设备Gi于tw前出现的运行参数集合，将对应各时间节点的运行参数集合的特征值进行曲线拟合，得到第二拟合曲线；
步骤S402：在第二拟合曲线中截取与第一拟合曲线相似度最高的曲线段，将曲线段设为目标曲线段；分别将目标曲线段和第一拟合曲线每间隔一个单位周期进行一次曲线划分，分别得到若干曲线段；其中，将目标曲线段划分得到的若干曲线段，分别与将第一拟合曲线划分得到的若干曲线段一一对应，构成对照组；对每一对照组中的曲线段计算相似度；
步骤S403：将曲线段相似度小于相似度阈值的对照组设为目标对照组；计算任意目标电力设备Gi在每一历史故障运维记录中受到的状态影响值δ=d/D；其中，d表示目标对照组的总个数；D表示对照组的总个数；
步骤S404：将状态影响值小于阈值的目标电力设备，从初步界定的受相应历史故障事件影响的电力设备范围内剔除。
4.根据权利要求3所述的一种基于全域监测的异常信息分析管理方法，其特征在于，所述步骤S500包括：
步骤S501：分别获取配电网内各电力设备对应的历史故障运维记录总次数N，获取所述各电力设备被标记为任意历史故障事件的特征电力设备的总次数M；
步骤S502：构建预测评估模型：H=x1×N+x2×M；其中，x1、x2分别表示第一权重值、第二权重值；其中，H表示故障率；其中，x1>x2；
步骤S503：基于所述预测评估函数，分别对各电力设备进行故障率预测，将故障率大于阈值的电力设备反馈至管理人员端口，提示管理人员对相应电力设备进行重点状态监测。
5.应用权利要求1-4中任意一项所述的一种基于全域监测的异常信息分析管理方法的异常信息分析管理系统，其特征在于，所述系统包括配电网信息采集模块、故障事件异常信息梳理模块、故障事件影响范围筛查模块、故障事件影响范围校准模块、设备故障预测管理模块；
所述配电网信息采集模块，用于分别对配电网中各个电力设备配置状态监测终端，每一状态监测终端对相应电力设备的实时运行参数进行采集，基于实时运行参数对所述相应电力设备的实时运行状态进行故障监测；根据配电网中各个电力设备之间的连接关系，建立状态监测终端之间的通信连接，得到各个状态监测终端对应的拓扑通信网；
所述故障事件异常信息梳理模块，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；对各发生故障的电力设备于所述相应历史故障运维记录中，在呈现故障状态前的征兆过渡周期和征兆过渡时长进行捕捉；
所述故障事件影响范围筛查模块，用于根据各发生故障的电力设备在配电网中与其他电力设备之间呈现的连接关系，以及在相应历史故障运维记录中对应的征兆过渡时长，对受每一历史故障运维记录中故障事件影响的电力设备进行初步范围界定；
所述故障事件影响范围校准模块，用于分别在每一历史故障运维记录中，根据各发生故障的电力设备在呈现故障前的征兆过渡周期，对初步界定的受相应历史故障事件影响的各电力设备计算受故障事件影响的状态影响值，对初步界定的受相应历史故障事件影响的各电力设备进行校准，筛选出特征电力设备；
所述设备故障预测管理模块，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，对电力设备进行故障预测，反馈管理人员端口提前对相应电力设备重点进行状态监测。
6.根据权利要求5所述的异常信息分析管理系统，其特征在于，所述故障事件异常信息梳理模块包括第一特征提取单元、第二特征信息提取单元；
所述第一特征提取单元，用于调取配电网的所有历史故障运维记录，对各发生故障的电力设备，在相应历史故障运维记录中捕捉出现故障征兆的起点时间；
所述第二特征信息提取单元，用于对各发生故障的电力设备，于所述相应历史故障运维记录中，捕捉呈现故障状态前的征兆过渡周期和征兆过渡时长。
7.根据权利要求5所述的异常信息分析管理系统，其特征在于，所述设备故障预测管理模块包括预测评估模型构建单元、反馈管理单元；
所述预测评估模型构建单元，用于对配电网中所有历史故障运维记录进行信息分析，根据在每一历史故障运维记录中受相应历史故障事件影响的电力设备的分布情况以及故障影响情况，构建预测评估模型，对各电力设备进行故障预测；
所述反馈管理单元，用于接收所述预测评估模型构建单元中的数据，反馈管理人员端口提前对相应电力设备重点进行状态监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310611338.XA CN116345696B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全域监测的异常信息分析管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310611338.XA CN116345696B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全域监测的异常信息分析管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116345696A CN116345696A (zh) | 2023-06-27 |
| CN116345696B true CN116345696B (zh) | 2023-08-15 |
Family
ID=86889813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310611338.XA Active CN116345696B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全域监测的异常信息分析管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116345696B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116817424B (zh) * | 2023-07-03 | 2023-12-01 | 广州旭杰电子有限公司 | 一种基于人工智能的空调节能控制系统及方法 |
| CN116739829B (zh) * | 2023-07-03 | 2024-03-19 | 深圳义云科技有限公司 | 一种基于大数据的电力数据分析方法、系统及介质 |
| CN117192269B (zh) * | 2023-09-20 | 2024-04-05 | 珠海高新区铭越科技有限公司 | 一种用于电房环境控制箱的大数据监测预警系统及方法 |
| CN117217740B (zh) * | 2023-11-09 | 2024-02-06 | 江苏德琛常工新能源科技创新有限公司 | 一种基于人工智能的氢能设备故障数据传输系统及方法 |
| CN117539187B (zh) * | 2023-12-20 | 2024-04-12 | 湖南博禹水电科技开发有限公司 | 一种基于物联网技术的远程数据监测系统及方法 |
| CN117439822B (zh) * | 2023-12-20 | 2024-03-08 | 南京绛门信息科技有限公司 | 一种基于物联网的网络安全数据管理系统及方法 |
| CN117691722B (zh) * | 2024-02-01 | 2024-04-09 | 中山市福瑞特科技产业有限公司 | 一种锂电池充电安全监测预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| CN113052473A (zh) * | 2021-03-31 | 2021-06-29 | 贵州电网有限责任公司 | 一种基于故障率和静态安全分析的电网风险分析方法 |
| CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
-
2023
- 2023-05-29 CN CN202310611338.XA patent/CN116345696B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| CN113052473A (zh) * | 2021-03-31 | 2021-06-29 | 贵州电网有限责任公司 | 一种基于故障率和静态安全分析的电网风险分析方法 |
| CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116345696A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116345696B (zh) | 一种基于全域监测的异常信息分析管理系统及方法 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN106932670B (zh) | 一种基于d-s证据理论的配电自动化终端状态诊断方法 | |
| CN110596486A (zh) | 一种充电桩智能预警运维的方法和系统 | |
| CN109885021A (zh) | 一种基于实时采集数据对采集设备进行监测的方法及系统 | |
| CN105325023A (zh) | 用于小区异常检测的方法和网络设备 | |
| CN107491021A (zh) | 家用电器及其故障诊断系统、方法和服务器 | |
| CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
| CN106506226B (zh) | 一种故障检测的启动方法及装置 | |
| CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
| US10735099B2 (en) | Method and apparatus for performing event-driven diagnostics or prognostics of a network behaviour of a hierarchical optical network | |
| CN114594349A (zh) | 一种储能系统中直流绝缘监测方法及终端 | |
| CN117197900A (zh) | 一种换电柜的电池防盗识别方法及装置 | |
| WO2017059904A1 (en) | Anomaly detection in a data packet access network | |
| CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
| CN107844894B (zh) | 一种基于大数据的配电网终端运维状态判断方法 | |
| CN109035746B (zh) | 一种集抄终端的机能判断方法和系统 | |
| WO2017050621A1 (en) | Fault diagnosis | |
| CN112882875B (zh) | 故障诊断方法 | |
| CN115129011A (zh) | 基于边缘计算的工业资源管理方法 | |
| CN111722116B (zh) | 电池管理系统及其检测方法 | |
| CN115902531A (zh) | 一种新能源汽车高压负载绝缘故障定位方法及监控平台 | |
| CN113067770B (zh) | 一种在网络通信中断时进行网络切换系统 | |
| CN117495357B (zh) | 一种基于大数据的电力数据监管系统及方法 | |
| CN114637654B (zh) | 基于AIOps智慧运营中心的故障监测分析方法 |
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 | ||
| 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 Anomaly Information Analysis and Management System and Method Based on Global Monitoring Granted publication date: 20230815 Pledgee: Nanjing Branch of Jiangsu Bank Co.,Ltd. Pledgor: NANJING SHANGGU NETWORK TECHNOLOGY CO.,LTD. Registration number: Y2024980001996 |