CN116961242A - 一种一二次融合柱上断路器实时数据管理方法及系统 - Google Patents
一种一二次融合柱上断路器实时数据管理方法及系统 Download PDFInfo
- Publication number
- CN116961242A CN116961242A CN202311218522.4A CN202311218522A CN116961242A CN 116961242 A CN116961242 A CN 116961242A CN 202311218522 A CN202311218522 A CN 202311218522A CN 116961242 A CN116961242 A CN 116961242A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- interval
- current
- amplitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013523 data management Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation 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
-
- 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
- G01R19/12—Measuring rate of change
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
- H02H7/261—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations
- H02H7/262—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations involving transmissions of switching or blocking orders
-
- 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
- H02J13/00006—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 information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及供电或配电系统领域，具体涉及一种一二次融合柱上断路器实时数据管理方法及系统，包括：采集获得断路器的电流数据序列，并对采集的电流数据序列进行去噪处理；根据电流数据序列中极大值点的幅值之间的关系得到参考数据区间；根据参考数据区间中数据点的幅值变化情况得到参考数据区间内数据点的自回归系数和参考数据区间的随机扰动系数；根据自回归系数和随机扰动系数预测下一时刻的电流预测值并进行修正；根据下一时刻的电流预测修正值与下一时刻的电流实际值的差异程度，判断一二次融合柱上断路器监测电流是否出现异常。本发明此方法能够根据电流数据序列的变化来准确的检测当前时刻电流是否出现异常，使得对断路器的监测更加的准确。
Description
技术领域
本发明涉及供电或配电系统领域，具体涉及一种一二次融合柱上断路器实时数据管理方法及系统。
背景技术
一二次融合柱上断路器是一种用于电力系统中的设备，用于保护和控制电力分配网络中的电路。它通常安装在配电柱上（也称为开关柜或配电室），用于实现对电路的开关操作、过载保护和短路保护等功能。一二次融合指的是该断路器同时具备一次和二次保护功能。一次保护主要用于保护电力系统的主干线路或主要供电设备，例如变压器、发电机等，它能够监测电流、电压和频率等参数，并在超出预设范围时触发断路器进行保护动作。二次保护则用于保护电力系统中的终端设备、电缆线路和用户侧负荷等，它通常通过额外的保护装置和传感器来实现对这些设备的监测和保护，二次保护可以包括过载保护、短路保护、接地保护等功能，以保证电力系统的正常运行和设备的安全。因此通过数据管理系统，可以实现对柱上断路器的实时监测和控制，这包括对断路器的状态进行监测，检测异常情况并报警，以及远程控制断路器的开关操作。因此通过监测断路器上的电流、电压等数据，来对断路器的状态进行监测。
在现有技术中，通常对电流、电压等数据进行异常监测时，主要是根据数据的变化来判断其是否超过阈值，若超出阈值则判断为异常数据点。但是在根据阈值判断时，电流数据可能具有不同的分布特征，在不同时间段或不同工作状态下可能具有不同的方差和偏度，简单的阈值方法无法考虑到这些特征，可能无法准确捕捉到所有异常情况。
发明内容
本发明提供一种一二次融合柱上断路器实时数据管理方法及系统，以解决现有的简单阈值方法可能无法准确捕捉到所有电流异常情况的问题。
本发明的一种一二次融合柱上断路器实时数据管理方法及系统，采用如下技术方案：
本发明一个实施例提供了一种一二次融合柱上断路器实时数据管理方法，该方法包括以下步骤：
获取断路器的电流数据序列，对获得的电流数据序列进行去噪处理，得到去噪后的电流数据序列，所述电流数据序列包括若干数据点的幅值；
根据去噪后的电流数据序列中极大值点的幅值变化与分布，得到参考极大值点；
将相邻两个参考极大值点之间的区间记作一个数据区间；
根据数据区间内所有数据点的平均幅值和最大幅值，结合数据区间内数据点的数量，得到参考数据区间；
根据参考数据区间内的数据点幅值变化情况得到参考数据区间内每个数据点的自回归系数；
根据参考数据区间内数据点的自回归系数以及参考数据区间内数据点和数据区间内数据点的幅值差异，计算得到参考数据区间的随机扰动系数；
根据参考数据区间内数据点的自回归系数和参考数据区间的随机扰动系数构建ARIMA模型，得到了每个数据点的电流预测值；
将电流数据序列最后一个数据点记为第k个数据点；
根据第个数据点的电流预测值以及第k个数据点之前的n个数据点的电流预测值与幅值的差异，得到了第/>个数据点的电流预测修正值，n表示预设的数量；
根据第个数据点的电流预测修正值与第/>个数据点的幅值的差异程度判断电流是否异常。
进一步地，所述根据去噪后的电流数据序列中极大值点的幅值变化与分布，得到参考极大值点，包括的具体步骤为：
计算电流数据序列的极大值点与最大的极大值点的幅值差异，得到极大值点的变化程度，根据变化程度、极大值点之间的欧氏距离计算极大值点作为参考极大值点的可能程度，简记为极大值点的可能程度，将可能程度大于第一预设阈值的极大值点作为参考极大值点。
进一步地，所述根据数据区间内所有数据点的平均幅值和最大幅值，结合数据区间内数据点的数量，得到参考数据区间，包括的具体步骤为：
计算数据区间内所有数据点的平均幅值与最大幅值的比值，得到数据区间数据点的幅值变化情况，再将幅值变化情况与数据区间内数据点的数量相乘后再归一化，得到数据区间作为参考数据区间的可能程度，简记为数据区间的可能程度，选择可能程度最大的数据区间作为参考数据区间。
进一步地，所述参考数据区间内每个数据点的自回归系数的获取步骤包括：
计算参考数据区间内每个数据点幅值与参考数据区间内最大幅值的比值得到每个数据点的变化程度；计算参考数据区间中每个数据点邻域范围内数据点的平均斜率，记为参考数据区间中每个数据点的突变程度；计算参考数据区间中每个数据点邻域范围内数据点幅值的方差，记为参考数据区间中每个数据点的波动程度；根据每个数据点的变化程度、突变程度和波动程度计算得到参考数据区间中每个数据点的自回归系数。
进一步地，所述根据参考数据区间内数据点的自回归系数以及参考数据区间内数据点和数据区间内数据点的幅值差异，计算得到参考数据区间的随机扰动系数，包括的具体步骤为：
计算参考数据区间内数据点幅值的均值以及数据区间内数据点幅值的均值之差的绝对值，记作第一绝对值；计算参考数据区间内数据点幅值的方差以及数据区间内数据点幅值的方差之差的绝对值，记作第二绝对值；将第一绝对值与第二绝对值的乘积记作数据区间与参考数据区间的差异程度；计算所有数据区间与参考数据区间的差异程度的平均值，将平均值与参考数据区间内数据点自回归系数均值的比值记作参考数据区间的随机扰动系数。
进一步地，所述第个数据点的电流预测修正值的获取步骤包括：
式中，表示电流数据序列中第k+1个数据点，/>表示第/>个数据点的电流预测修正值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的幅值，也表示第/>个数据点的电流实际值，/>表示电流数据序列中第/>个数据点之前的n个数据点，norm()表示线性归一化函数。
进一步地，所述根据第个数据点的电流预测修正值与第/>个数据点的幅值的差异程度判断电流是否异常，包括的具体步骤为：
将k+1个数据点的电流预测修正值与k+1个数据点的电流幅值做差并取绝对值，记作第三绝对值，将第三绝对值与一二次融合柱的额定电流的比值记作第k+1个数据点的电流预测修正值与第k+1个数据点幅值的差异程度；当差异程度大于第二预设值时，表明一二次融合柱上断路器监测电流出现了异常。
进一步地，所述根据变化程度、极大值点之间的欧氏距离计算极大值点作为参考极大值点的可能程度，包括的具体步骤为：
对于电流数据序列中的每一个极大值点，式中，表示电流数据序列中的第/>个极大值点作为参考极大值点的可能程度，/>表示第/>个极大值点与第/>个极大值点之间区间内数据点的数量，/>表示整个电流数据序列中的最大幅值，/>表示电流数据序列中第/>个极大值点的幅值，/>表示电流数据序列中第/>个极大值点与第/>个极大值点之间的欧氏距离，/>表示电流数据序列中第/>个极大值点与整个电流数据序列中幅值最大的极大值点之间的欧氏距离，/>表示电流数据序列中第j个极大值点与最大极大值点的幅值差异，记为极大值点的变化程度，/>表示线性归一化函数，/>表示求最大值函数。
进一步地，所述根据每个数据点的变化程度、突变程度和波动程度计算得到参考数据区间中每个数据点的自回归系数，包括的具体步骤为：
对于参考数据区间中每一个数据点，式中，表示在参考数据区间中第/>个数据点的自回归系数，/>表示在参考数据区间内第/>个数据点的幅值，/>表示在参考数据区间内的最大幅值；第/>个数据点左侧的h个数据点、第/>个数据点右侧的h个数据点以及第/>个数据点所构成的区间记为第/>个数据点的邻域范围（若左侧或右侧的数据点个数不足h个，则取左侧或右侧所有数据点即可）；/>表示邻域范围内第/>个数据点的斜率，/>表示邻域范围内第/>个数据点的幅值，/>表示参考数据区间的平均幅值，/>表示在参考数据区间内第/>个数据点的变化程度， />表示邻域范围内数据点的平均斜率，记为第i个数据点的突变程度， />表示邻域范围内幅值的方差，记为第i个数据点的波动程度。
另一方面本发明实施例还提供了一种一二次融合柱上断路器实时数据管理系统，所述系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的方法。
本发明的技术方案的有益效果是：
本发明通过对电流数据序列进行分析，构建ARIMA模型来预测下一时刻的电流幅值，然后与实际监测到的电流幅值进行比较，判断其是否出现了异常。此方法能够根据历史数据的变化来准确的检测当前时刻电流是否出现异常，避免了通过阈值在进行判断时，无法准确捕捉到在不同时间段或不同工作状态下可能具有不同的方差和偏度，并且电流异常的形式可能多种多样，包括突然剧烈波动、渐进性变化、周期性异常等异常情况，使得对断路器的监测更加的准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种一二次融合柱上断路器实时数据管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种一二次融合柱上断路器实时数据管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种一二次融合柱上断路器实时数据管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种一二次融合柱上断路器实时数据管理方法的步骤流程图，该方法包括以下步骤：
步骤S001、采集获得断路器的电流数据，并对数据进行预处理。
需要说明的是，本发明的主要目的是为了对一二次融合柱上断路器的运行状态进行监测，因此首先需要获得断路器的电流数据。
具体的，通过一二次融合柱上断路器的电流监测设备获取断路器的电流数据序列，进一步地，对获得的电流数据序列进行去噪处理，在此使用小波变换算法对电流数据进行去噪，该算法为现有公知技术，在此不再进行赘述。
至此，得到了去噪后的电流数据序列，后续步骤均是对去噪后的电流数据序列进行分析。电流数据序列中每个数据点表示的是每个时刻电流监测设备获取到的电流大小，本实施例中将电流数据序列的电流大小记为幅值。
步骤S002、根据电流数据幅值得到参考极大值点和参考数据区间。
需要说明的是，在对断路器的电流数据进行监测时，因为电流的变化会引起各用电设备的不稳定，可能会造成用电设备的损坏，因此断路器用来监测电流的稳定状态。当监测到电路中的电路存在异常时，断路器就会自动断开，从而起到保护用电设备的作用。
一二次融合柱上断路器指的是该断路器同时具备一次和二次保护功能。一次保护主要用于保护电力系统的主干线路或主要供电设备，例如变压器、发电机等，它能够监测电流、电压和频率等参数，并在超出预设范围时触发断路器进行保护动作。二次保护则用于保护电力系统中的终端设备、电缆线路和用户侧负荷等，它通常通过额外的保护装置和传感器来实现对这些设备的监测和保护，二次保护可以包括过载保护、短路保护、接地保护等功能，以保证电力系统的正常运行和设备的安全。因此通过采集断路器上的电流来分析电流的变化，从而判断电路中的电流是否稳定。
而在对电流数据进行分析时，在通过阈值来进行判断时，因为电流数据可能具有不同的分布特征，在不同时间段或不同工作状态下可能具有不同的方差和偏度，简单的阈值方法无法考虑到这些特征，可能无法准确捕捉到所有异常情况。并且电流异常的形式可能多种多样，包括突然剧烈波动、渐进性变化、周期性异常等，简单的阈值方法可能只能捕捉到一部分特定类型的异常，而对于其他类型的异常则无法有效处理。因此本发明根据电流数据的变化来构建ARIMA模型，通过分析电流数据序列的变化来预测当前电流值，然后再将预测值与当前值进行比较，从而判断当前的电流值是否准确。
首先对电流数据序列进行分析，来获得数据的变化程度。因为在构建ARIMA模型时，最主要的就是根据原始数据的变化来获得数据的相关性，能够准确的反映数据的变化趋势。因此在通过原始数据来构建该模型时，选取参考数据是非常重要的，选择的数据波动较大时，构建的模型其扩张能力太强，不适合平稳数据；而选择的数据波动性较小时，鲁棒性较差，不适合突变的数据，因此需要根据数据的变化来确定合适的参考数据区间。而在获得合适的参考数据区间时，数据的波动程度不能太大，也不能太小，因此通过数据区间极大值点之间的数据来描述数据的分布情况。
具体的，其计算公式如下：
式（1）中，表示电流数据序列中的第/>个极大值点作为参考极大值点的可能程度，表示第/>个极大值点与第/>个极大值点之间区间内数据点的数量，/>表示整个电流数据序列中的最大幅值，/>表示电流数据序列中第/>个极大值点的幅值，/>表示电流数据序列中第/>个极大值点与第/>个极大值点之间的欧氏距离，/>表示电流数据序列中第/>个极大值点与整个电流数据序列中幅值最大的极大值点之间的欧氏距离。
具体的，描述两个相邻极大值点之间数据点的数量与参考极大值点的可能程度的关系，数量越多，说明第/>个极大值点与第/>个极大值点之间距离越远，通过极大值来进行筛选时，极大值之间数据点的变化程度是比较小的，而在选择参考数据区间时，不能选择数据变化较小的数据区间，则当第/>个极大值点与第/>个极大值点之间距离越远时，即/>越大时，第/>个数据点的作为参考极大值点的可能程度越小。/>表示电流数据序列中第j个极大值点与最大极大值点的幅值差异，记为极大值点的变化程度，幅值差异越小，说明第/>个极大值点幅值的变化程度是越大，而在选择参考数据区间时，变化太大的数据点也不能选择。/>表示第/>与整个电流数据序列中幅值最大的极大值点之间的欧氏距离和第/>与/>个数据点的欧氏距离的比值，其比值越大，说明第/>与第/>个数据点之间包含的数据点越少，其作为参考数据点的可能程度越小。
需要说明的是，表示第j个极大值点作为参考极大值点的可能程度，当/>时，第/>个极大值点为参考极大值点，本实施例以M=0.78为例进行叙述，其他实施例中可设置为其他数值，本实施例不进行具体限定。
至此，得到了参考极大值点，相邻两个参考极大值点之间的区间作为一个数据区间。
式（2）中，表示第/>个参考极大值点与第/>个参考极大值点之间的数据区间作为参考数据区间的可能程度，/>表示第/>个参考极大值点与第/>个参考极大值点之间第/>个数据点的幅值，/>表示第/>个参考极大值点与第/>个参考极大值点之间包含的数据点的数量，/>表示在第/>个参考极大值点与第/>个参考极大值点之间幅值最大的数据点的幅值。
具体的，表示第/>个参考极大值点与第/>个参考极大值点之间所有数据点的平均幅值，/>表示数据区间内数据点的幅值变化情况。因为在选择参考数据区间时，数据点的幅值变化不能太大，也不能太小，因此根据均值与最大幅值点来作为参考，均值较大，并且最大幅值点较小的情况下，该数据区间则为参考数据的可能程度越大。并且区间内包含的数据点的数量越多，在构建ARIMA模型后其鲁棒性是越好的，因此乘以/>，其值越大，则/>区间作为参考数据区间的可能程度越大。表示线性归一化函数，其归一化值为/>。
根据上述计算获得的相邻两个参考极大值点之间的数据区间作为参考数据区间的可能程度，当取得最大值时，第/>个参考极大值点与第/>个参考极大值点之间的数据区间作为参考数据区间。
至此，得到了参考数据区间。
步骤S003、根据参考数据区间的电流幅值变化计算参考数据区间的随机扰动系数和区间内数据点的自回归系数，进而对下一时刻电流值进行预测。
需要说明的是，为了对实时获得的电流数据进行预测监测，获得可能的异常数据点，需要根据获得的参考数据区间来构建ARIMA模型，而在构建该模型时，需要获得每一个参考数据区间内每一个数据点的自回归系数和随机扰动系数。
具体的，自回归系数计算公式如下：
式中，表示在参考数据区间内第/>个数据点的自回归系数，/>表示在参考数据区间内第/>个数据点的幅值，/>表示在参考数据区间内的最大幅值，/>表示求最大值函数；
第个数据点左侧的h个数据点、第/>个数据点右侧的h个数据点以及第/>个数据点所构成的区间记为第/>个数据点的邻域范围（本实施例以h=5为例进行叙述，其他实施例中可设置为其他数值，本实施例不进行具体限定，若左侧或右侧的数据点个数不足h个，则取左侧或右侧所有数据点即可）。
表示邻域范围内第/>个数据点的斜率（将与该数据点最近的三个数据点（包括该数据点）拟合成2次多项式，该数据点在二次多项式上对应的斜率记为该数据点的斜率），/>表示邻域范围内第/>个数据点的幅值，/>表示参考数据区间的平均幅值。
表示在参考数据区间内第/>个数据点的变化程度，变化程度越大，其自回归系数越大。/>表示邻域范围内数据点的平均斜率，记为第i个数据点的突变程度，因为自回归模型描述的是数据的分布，若第/>个数据点相较于邻域数据点的突变程度越大，那么在进行数据拟合时，其自回归系数也需要越大，这样获得的模型容错率更好。表示邻域范围内幅值的方差，记为第i个数据点的波动程度，第/>个数据点的波动程度越大，则在根据ARIMA模型判断时，此处的数据的鲁棒性要越好。
至此，得到了在参考数据区间中第个数据点的自回归系数，将参考数据区间中所有数据点的自回归系数进行归一化处理，本实施例使用的归一化方法为softmax归一化方法。
需要说明的是，因为上述过程中通过参考极大值点来获得参考数据区间，但是整个电流数据序列的变化不仅仅只是参考数据区间的变化，还包含其他数据区间（相邻两个参考极大值点之间的区间就表示一个数据区间），因此需要根据不同数据区间与参考数据区间的变化来获得随机扰动系数。扰动系数表示的是时间序列数据中的随机误差项或残差项，这个系数代表了ARIMA模型中自回归部分（AR）和移动平均部分（MA）之间的线性关系。
具体的，随机扰动系数计算公式如下：。
式中，表示参考数据区间的随机扰动系数，/>表示参考数据区间内所有数据点自回归系数的均值，/>表示参考数据区间内所有数据点幅值的均值，/>表示第/>个数据区间内幅值的均值，s表示参考数据区间内幅值的方差，/>表示第/>个数据区间数据点幅值的方差，/>表示数据区间的个数。/>表示第/>个数据区间与参考数据区间数据点幅值均值的差异，表示第/>个数据区间与参考数据区间数据点幅值方差的差异，/>表示第/>个数据区间与参考数据区间的差异程度。因为不同数据区间的差异不同，说明数据的变化程度不同，那么在对数据进行预测时，即使数据区间变化程度与参考数据区间内的数据变化程度不同，也能够根据扰动系数进行修正，增加了模型的普适性。
需要说明的是，为了对实时获得的电流数据进行预测监测，获得可能的异常数据点，需要根据获得的参考数据区间来构建ARIMA模型。
具体的，根据上述计算获得的参考数据区间内数据点的自回归系数和参考数据区间的随机扰动系数来构建ARIMA模型，其数学表达式如下：
其中，F1表示任意一个数据点的电流预测值，表示随机扰动系数，w表示参考数据区间内数据点的个数，/>表示参考数据区间内第q个数据点的自回归系数，/>表示参考数据区间内第q个数据点的幅值。
步骤S004、利用电流数据序列的预测偏差修正电流预测值。
需要说明的是，根据上述构建的ARIMA模型，来对电流数据进行预测，获得下一时刻的电流预测值。但在这里进行电流数据预测时，实际上是根据当前时刻之前的电流数据序列来估计下一时刻的电流值，因为在构建ARIMA模型时，是选择电流数据序列中的一段数据来作为参考，进而拟合得到的模型，那么在对当前数据进行预测时，需要根据当前数据的变化来确定最终的电流预测修正值。
具体的，将电流数据序列中最后一个数据点记为第k个数据点，电流预测修正值计算公式如下：
式中，表示电流数据序列中第k+1个数据点，也即电流数据序列最后一个数据点的下一时刻的数据点。
表示第/>个数据点的电流预测修正值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的幅值，也表示第/>个数据点的电流实际值，/>表示电流数据序列中第/>个数据点之前的n个数据点（本实施例以n=50为例进行叙述，其他实施例中可设置为其他数值，本实施例不进行具体限定，数据点个数不足n个，则取所有数据点个数即可），/>表示线性归一化函数。
具体的，表示第/>个数据点的电流预测值与电流实际值的差异，表示第/>个数据点之前/>个数据点的差异均值，因为在进行修正时，是根据之前的数据点的预测准确程度来对当前数据进行修正的，故此处利用第/>个点的预测值乘以之前数据点预测准确度。
至此，得到了下一时刻的电流预测修正值。
步骤S005、根据电流预测修正值与实际的电流值偏差获得可能的异常数据点。
需要说明的是，根据上述计算获得的当前数据点的电流预测修正值，来对实际的电流值进行判断，因为电流预测修正值是根据电流数据序列的变化获得的，当所监测的电流实际值与电流预测修正值出现较大差异时，说明当前的实际值出现了异常。
具体的，采集电流数据序列最后一个数据点的下一时刻的数据点的电流，也即k+1个数据点的幅值，记为。
第k+1个数据点的差异程度的计算方法为：，MAX表示一二次融合柱的额定电流，根据异常程度预设值/>，判断第k+1个数据点是否异常，本实施例以L=0.2为例进行叙述，其他实施例中可设置为其他数值，本实施例不进行具体限定。若/>，第k+1个数据点记作异常数据点。当出现异常数据点时，说明当前采集的数据点的实际电流值出现了异常，则一二次融合柱上断路器监测电流出现了异常，需要及时起到保护作用，进行断电处理。
通过以上步骤，完成一二次融合柱上断路器的实时数据管理。
另一方面本发明实施例还提供了一种一二次融合柱上断路器实时数据管理系统，所述系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述的一种一二次融合柱上断路器实时数据管理方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)
1.一种一二次融合柱上断路器实时数据管理方法，其特征在于，该方法包括以下步骤：
获取断路器的电流数据序列，对获得的电流数据序列进行去噪处理，得到了去噪后的电流数据序列，所述电流数据序列包括若干数据点的幅值；
根据去噪后的电流数据序列中极大值点的幅值变化与分布，得到参考极大值点；
将相邻两个参考极大值点之间的区间记作一个数据区间；
根据数据区间内所有数据点的平均幅值和最大幅值，结合数据区间内数据点的数量，得到参考数据区间；
根据参考数据区间内的数据点幅值变化情况得到参考数据区间内每个数据点的自回归系数；
根据参考数据区间内数据点的自回归系数以及参考数据区间内数据点和数据区间内数据点的幅值差异，计算得到参考数据区间的随机扰动系数；
根据参考数据区间内数据点的自回归系数和参考数据区间的随机扰动系数构建ARIMA模型，得到了每个数据点的电流预测值；
将电流数据序列最后一个数据点记为第k个数据点，表示电流数据序列中第k+1个数据点；
根据第个数据点的电流预测值以及第k个数据点之前的n个数据点的电流预测值与幅值的差异，得到了第/>个数据点的电流预测修正值，n表示预设的数量；
根据第个数据点的电流预测修正值与第/>个数据点的幅值的差异程度判断电流是否异常。
2.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据去噪后的电流数据序列中极大值点的幅值变化与分布，得到参考极大值点，包括的具体步骤为：
计算电流数据序列的极大值点与最大的极大值点的幅值差异，得到极大值点的变化程度，根据变化程度、极大值点之间的欧氏距离计算极大值点作为参考极大值点的可能程度，简记为极大值点的可能程度，将可能程度大于第一预设阈值的极大值点作为参考极大值点。
3.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据数据区间内所有数据点的平均幅值和最大幅值，结合数据区间内数据点的数量，得到参考数据区间，包括的具体步骤为：
计算数据区间内所有数据点的平均幅值与最大幅值的比值，得到数据区间数据点的幅值变化情况，再将幅值变化情况与数据区间内数据点的数量相乘后再归一化，得到数据区间作为参考数据区间的可能程度，简记为数据区间的可能程度，选择可能程度最大的数据区间作为参考数据区间。
4.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述参考数据区间内每个数据点的自回归系数的获取步骤包括：
计算参考数据区间内每个数据点幅值与参考数据区间内最大幅值的比值得到每个数据点的变化程度；计算参考数据区间中每个数据点邻域范围内数据点的平均斜率，记为参考数据区间中每个数据点的突变程度；计算参考数据区间中每个数据点邻域范围内数据点幅值的方差，记为参考数据区间中每个数据点的波动程度；根据每个数据点的变化程度、突变程度和波动程度计算得到参考数据区间中每个数据点的自回归系数。
5.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据参考数据区间内数据点的自回归系数以及参考数据区间内数据点和数据区间内数据点的幅值差异，计算得到参考数据区间的随机扰动系数，包括的具体步骤为：
计算参考数据区间内数据点幅值的均值以及数据区间内数据点幅值的均值之差的绝对值，记作第一绝对值；计算参考数据区间内数据点幅值的方差以及数据区间内数据点幅值的方差之差的绝对值，记作第二绝对值；将第一绝对值与第二绝对值的乘积记作数据区间与参考数据区间的差异程度；计算所有数据区间与参考数据区间的差异程度的平均值，将平均值与参考数据区间内数据点自回归系数均值的比值记作参考数据区间的随机扰动系数。
6.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述第个数据点的电流预测修正值的获取步骤包括：
式中，表示第/>个数据点的电流预测修正值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的电流预测值，/>表示第/>个数据点的幅值，也表示第/>个数据点的电流实际值，norm()表示线性归一化函数。
7.根据权利要求1所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据第个数据点的电流预测修正值与第/>个数据点的幅值的差异程度判断电流是否异常，包括的具体步骤为：
将k+1个数据点的电流预测修正值与k+1个数据点的电流幅值做差并取绝对值，记作第三绝对值，将第三绝对值与一二次融合柱的额定电流的比值记作第k+1个数据点的电流预测修正值与第k+1个数据点幅值的差异程度；当差异程度大于第二预设值时，表明一二次融合柱上断路器监测电流出现了异常。
8.根据权利要求2所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据变化程度、极大值点之间的欧氏距离计算极大值点作为参考极大值点的可能程度，包括的具体步骤为：
对于电流数据序列中的每一个极大值点，式中，表示电流数据序列中的第/>个极大值点作为参考极大值点的可能程度，/>表示第/>个极大值点与第/>个极大值点之间区间内数据点的数量，/>表示整个电流数据序列中的最大幅值，/>表示电流数据序列中第/>个极大值点的幅值，/>表示电流数据序列中第/>个极大值点与第/>个极大值点之间的欧氏距离，/>表示电流数据序列中第/>个极大值点与整个电流数据序列中幅值最大的极大值点之间的欧氏距离，/>表示电流数据序列中第j个极大值点与最大极大值点的幅值差异，记为极大值点的变化程度，/>表示线性归一化函数，/>表示求最大值函数。
9.根据权利要求4所述一种一二次融合柱上断路器实时数据管理方法，其特征在于，所述根据每个数据点的变化程度、突变程度和波动程度计算得到参考数据区间中每个数据点的自回归系数，包括的具体步骤为：
对于参考数据区间中每一个数据点，式中，表示在参考数据区间中第/>个数据点的自回归系数，/>表示在参考数据区间内第/>个数据点的幅值，/>表示在参考数据区间内的最大幅值；第/>个数据点左侧的h个数据点、第/>个数据点右侧的h个数据点以及第/>个数据点所构成的区间记为第/>个数据点的邻域范围，h为预设个数；/>表示邻域范围内第/>个数据点的斜率，/>表示邻域范围内第/>个数据点的幅值，/>表示参考数据区间的平均幅值，/>表示在参考数据区间内第/>个数据点的变化程度， />表示邻域范围内数据点的平均斜率，记为第i个数据点的突变程度， />表示邻域范围内幅值的方差，记为第i个数据点的波动程度。
10.一种一二次融合柱上断路器实时数据管理系统，所述系统包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-9任一项所述的一种一二次融合柱上断路器实时数据管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218522.4A CN116961242B (zh) | 2023-09-21 | 2023-09-21 | 一种一二次融合柱上断路器实时数据管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218522.4A CN116961242B (zh) | 2023-09-21 | 2023-09-21 | 一种一二次融合柱上断路器实时数据管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116961242A true CN116961242A (zh) | 2023-10-27 |
| CN116961242B CN116961242B (zh) | 2023-12-19 |
Family
ID=88458772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311218522.4A Active CN116961242B (zh) | 2023-09-21 | 2023-09-21 | 一种一二次融合柱上断路器实时数据管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116961242B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574305A (zh) * | 2024-01-17 | 2024-02-20 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
| CN117913740A (zh) * | 2024-03-19 | 2024-04-19 | 龙西电气有限公司 | 基于一二次融合柱上断路器的电流切换方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| US20170032400A1 (en) * | 2015-07-27 | 2017-02-02 | Truecar, Inc. | Vehicle data system for distribution of vehicle data in an online networked environment |
| CN109636066A (zh) * | 2019-01-04 | 2019-04-16 | 广东工业大学 | 一种基于模糊时间序列挖掘的风电输出功率预测方法 |
| JP2020202739A (ja) * | 2019-06-06 | 2020-12-17 | 国立大学法人九州大学 | 電力需要量予測装置及び電力需要量予測方法 |
| CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
| CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
-
2023
- 2023-09-21 CN CN202311218522.4A patent/CN116961242B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| US20170032400A1 (en) * | 2015-07-27 | 2017-02-02 | Truecar, Inc. | Vehicle data system for distribution of vehicle data in an online networked environment |
| CN109636066A (zh) * | 2019-01-04 | 2019-04-16 | 广东工业大学 | 一种基于模糊时间序列挖掘的风电输出功率预测方法 |
| JP2020202739A (ja) * | 2019-06-06 | 2020-12-17 | 国立大学法人九州大学 | 電力需要量予測装置及び電力需要量予測方法 |
| CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
| CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEI HU, ET AL.: "Network Security Situation Prediction Model Based on Security Situation Factors", 《2021 IEEE SIXTH INTERNATIONAL CONFERENCE ON DATA SCIENCE IN CYBERSPACE (DSC)》 * |
| 何坚等: "基于ARIMA和LS-SVM组合模型的短期风速预测", 《机电工程技术》 * |
| 贺东风等: "基于分类和ARIMA-WT-LSTM模型的高炉煤气产生量预测", 《冶金自动化》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574305A (zh) * | 2024-01-17 | 2024-02-20 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
| CN117574305B (zh) * | 2024-01-17 | 2024-04-05 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
| CN117913740A (zh) * | 2024-03-19 | 2024-04-19 | 龙西电气有限公司 | 基于一二次融合柱上断路器的电流切换方法及系统 |
| CN117913740B (zh) * | 2024-03-19 | 2024-05-24 | 龙西电气有限公司 | 基于一二次融合柱上断路器的电流切换方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116961242B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116961242B (zh) | 一种一二次融合柱上断路器实时数据管理方法及系统 | |
| Wang et al. | Wind turbine fault detection and identification through PCA-based optimal variable selection | |
| US7558703B2 (en) | Electrical substation monitoring and diagnostics | |
| Huang et al. | Electric grid state estimators for distribution systems with microgrids | |
| CN108512222A (zh) | 一种智能变电站综合自动化系统 | |
| CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN116880151A (zh) | 一种多余度计算机控制系统 | |
| CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
| US20200356668A1 (en) | Event analysis in an electric power system | |
| CN113484658A (zh) | 电弧故障的诊断方法、系统、介质及电子设备 | |
| US20190379237A1 (en) | Smart Outlet System with Fast Frequency Tracking for Power System Frequency Control Using Distributed Appliances | |
| CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
| CN115345519A (zh) | 海上风电风险评估方法、装置、设备及存储介质 | |
| Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning | |
| CN117728421B (zh) | 微电网集群协调调度方法、系统、计算机设备和存储介质 | |
| CN114336612A (zh) | 电站及其故障设备的电量损失计算方法、相关应用设备 | |
| Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
| CN117791597B (zh) | 基于机器学习的配电网故障自愈方法和系统 | |
| CN113253613B (zh) | 一种基于rsm预测模型的断路器控制方法及系统 | |
| CN117992738A (zh) | 一种节电柜电能自动化节电监测方法及系统 | |
| CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
| WO2022270249A1 (ja) | 電力系統制御装置、電力系統制御システムおよび電力系統制御方法 | |
| US11321450B2 (en) | Online static security assessment under the QSS model | |
| CN114577452B (zh) | 开关触点的寿命预测方法、装置、电子设备和计算机介质 | |
| Liu et al. | Health status evaluation method of smart distribution station based on operation trajectory information matrix |
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 |