CN117129790A - 一种电力系统故障诊断系统 - Google Patents
一种电力系统故障诊断系统 Download PDFInfo
- Publication number
- CN117129790A CN117129790A CN202311394011.8A CN202311394011A CN117129790A CN 117129790 A CN117129790 A CN 117129790A CN 202311394011 A CN202311394011 A CN 202311394011A CN 117129790 A CN117129790 A CN 117129790A
- Authority
- CN
- China
- Prior art keywords
- day
- substation
- voltage data
- target
- time period
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 105
- 230000005856 abnormality Effects 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 230000003203 everyday effect Effects 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002354 daily effect Effects 0.000 claims abstract description 14
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 33
- 230000000694 effects Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种电力系统故障诊断系统,属于数据处理技术领域,该系统包括:数据采集模块:采集电力系统中每个变电站每天的电压时序数据;第一计算模块:计算出的初始邻域距离值记为每个变电站每天每个时段对应的初始邻域距离值;第二计算模块:计算出每个变电站每天每个时段对应的修正后邻域距离值;异常检测模块:利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果;故障诊断模块:根据异常检测结果对电力系统中每个变电站进行故障诊断;本发明根据每个时段内数据的波动情况和变电站之间的影响对初始邻域距离值进行修正,从而使对电压数据的异常检测更准确,从而准确的判断电力系统故障。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种电力系统故障诊断系统。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力系统通常由复杂的电力设备、输电线路和变电站组成,需要高度稳定性和可靠性,以确保电力供应的连续性。然而,电力系统常常会受到各种因素的影响,如设备故障、天气条件等,导致电力系统故障,从而对工业、商业、个人用户产生负面影响。因此,对电力进行故障诊断是十分必要的。
目前一般通过检测电力数据的异常情况来对电力系统的故障进行诊断,异常检测算法中的算法(Local Outlier Factor),常用于对电力数据的异常检测,从而对电力系统的故障进行诊断。传统的/>算法中,采用固定的邻域距离值来检测电力数据中的异常点,但是由于受到外界因素的影响,不同时段的用电数据的波动情况不同,采用固定的邻域距离值无法有效的将异常点检测出来,邻域距离值选取过小,则会对噪声点过于敏感,容易将正常的数据误判为异常数据;邻域距离值选取过大,则会将部分真正的异常点忽视,进而导致不能准确识别出异常数据。
发明内容
本发明提供一种电力系统故障诊断系统,用于解决现有技术中在对电力数据中电压数据进行异常检测时不能准确识别出电压数据中异常数据,进而导致不能准确诊断出电力系统故障的问题。
本发明的一种电力系统故障诊断系统采用如下技术方案:
数据采集模块:用于采集电力系统中每个变电站每天的电压时序数据;
第一计算模块:用于将每个变电站每天的电压时序数据划分为多个时段内的电压数据;根据每个时段内的电压数据的波动程度,计算出对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值,将计算出的初始邻域距离值记为每个变电站每天每个时段对应的初始邻域距离值;根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度;
第二计算模块:用于选取任意一个变电站作为目标变电站,将与目标变电站输入端相连的变电站记为目标相连变电站;根据目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性、每个目标相连变电站每天的异常程度,计算出全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;根据每个目标相连变电站在每天每个时段内对目标变电站的异常影响参数、目标变电站每天每个时段对应的初始邻域距离值,计算出目标变电站每天每个时段对应的修正后邻域距离值;按照目标变电站每天每个时段对应的修正后邻域距离值的计算方法,计算出每个变电站每天每个时段对应的修正后邻域距离值;
异常检测模块:用于根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果;
故障诊断模块:用于根据异常检测结果对电力系统中每个变电站进行故障诊断。
进一步地,对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值的计算公式为:
其中,表示对任一个变电站任一天任一时段内的电压数据进行异常检测时的初始邻域距离值;/>表示预设的基准邻域距离值;/>表示预设波动敏感性超参数;/>表示当前时段内的电压数据总数;/>表示当前时段内的第/>个电压数据;/>表示当前时段内的第/>个电压数据的取值;/>表示当前时段内的电压数据的均值;/>表示向上取整。
进一步地,根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度的步骤包括:
根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天每个时段内的电压数据的异常程度;
将每个变电站每天所有时段内的电压数据的异常程度均值,作为每个变电站每天的异常程度。
进一步地,每个变电站每天每个时段内的电压数据的异常程度的计算公式为:
其中,表示每个变电站每天每个时段内的电压数据的异常程度;/>表示每个时段内的第/>个电压数据;/>表示每个时段内的电压数据总数;/>表示每个时段内的第/>个电压数据的取值;/>表示每个时段内的第/>个电压数据的取值;/>表示预设电压标准值;/>表示每个时段内的电压数据的相邻项差分值均值。
进一步地,目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性的获取步骤包括:
任意选取出一个目标相连变电站作为第一目标相连变电站;
将目标变电站任一天任一时段内的电压数据作为第一序列;
将第一目标相连变电站同天同一时段内的电压数据作为第二序列;
利用皮尔逊相关系数计算出第一序列和第二序列的相关性,并将该相关性作为目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性;
按照目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性的计算方法,计算出目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性。
进一步地,全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数的计算步骤为:
将目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性,与第一目标相连变电站每天的异常程度相乘,并将得到的乘积作为第一目标相连变电站对应的相关异常程度;
将全部第一目标相连变电站对应的相关异常程度累加得到相关异常程度累加值;
将相关异常程度累加值的立方值作为全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数。
进一步地,目标变电站每天每个时段对应的修正后邻域距离值的计算公式为:
其中,表示目标变电站每天每个时段对应的修正后邻域距离值;/>表示目标变电站每天每个时段对应的初始邻域距离值;/>表示全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;/>表示预设超参数;/>表示反正切函数;/>表示向上取整。
进一步地,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果的步骤包括:
根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法计算出每个变电站每天每个时段内的每一个电压数据的异常得分;
将每个变电站每天每个时段内的每一个电压数据的异常得分大于或等于预设异常得分阈值的电压数据选取出作为疑似异常电压数据;
将每个变电站每天每个时段内的全部疑似异常电压数据作为异常检测结果输出。
进一步地,根据异常检测结果对电力系统中每个变电站进行故障诊断的步骤包括:
根据每个变电站每天每个时段内的每个疑似异常电压数据的异常得分、每个变电站每天每个时段内的疑似异常电压数据总数,计算出每个变电站每天每个时段的预警程度;
当每个变电站每天每个时段的预警程度小于或等于预设第一预警程度阈值时,不对检修人员做出故障诊断提示;
当每个变电站每天每个时段的预警程度大于预设第一预警程度阈值并且小于预设第二预警程度阈值时,对检修人员做出二级故障诊断提示;
当每个变电站每天每个时段的预警程度大于或等于预设第二预警程度阈值时,对检修人员做出一级故障诊断提示。
进一步地,每个变电站每天每个时段的预警程度计算公式为:
其中,表示每个变电站每天每个时段的预警程度;/>表示每个变电站每天每个时段内的疑似异常电压数据总数;/>表示每个变电站每天每个时段内的电压数据总数;/>表示每个变电站每天每个时段内的第/>个疑似异常电压数据的异常得分;表示线性归一化函数。
本发明的有益效果是:
本发明通过分析每个变电站每天每个时段内的电压数据波动变化情况自适应获取初始邻域距离值,然后根据各变电站之间的联系,获取各变电站之间的影响,并且根据各变电站之间的影响对初始邻域距离值进行修正得到修正后邻域距离值,之后根据每个变电站每天每个时段对应的修正后邻域距离值;本发明综合考虑了每个变电站每天每个时段内的电压数据波动变化情况和多个变电站之间的影响,计算出了对每个变电站每天每个时段内的电压数据进行异常检测时的修正后邻域距离值,利用每个时段内的修正后邻域距离值对每个时段内的电压数据进行异常检测,保证了异常检测结果的准确性,避免了过多的误检。
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为本发明一种电力系统故障诊断系统的示意图;
图2为本发明中多个变电站相连的示意图。
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电力系统故障诊断系统,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电力系统故障诊断系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电力系统故障诊断系统的示意图。
一种电力系统故障诊断系统,包括数据采集模块、第一计算模块、第二计算模块、异常检测模块以及故障诊断模块。
数据采集模块:用于采集电力系统中每个变电站每天的电压时序数据。
需要说明的是,电力系统在运行过程中会产生电力系统数据,电力系统数据是指利用传感器所采集到的电流、电压等数据。通过对电力系统数据进行分析,可以诊断出电力系统是否存在故障,在电力系统出现故障后及时的通知人工进行处理,减少了电力系统故障时所造成的经济损失。电力系统数据通常利用传感器来实时测量电力系统中每个变电站的电压值和电流值,电力系统中每个变电站的电压值和电流值用于监测电力系统的电压质量、电流负载以及潜在的电流异常。在本实施例中,利用电压传感器采集电压,预设采集频率为2S/次,本实施例中主要分析电压数据的变化情况,采集电力系统中每个变电站每天的电压时序数据,便于后续分析电力系统是否存在故障。
第一计算模块:用于将每个变电站每天的电压时序数据划分为多个时段内的电压数据;根据每个时段内的电压数据的波动程度,计算出对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值,将计算出的初始邻域距离值记为每个变电站每天每个时段对应的初始邻域距离值;根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度。
需要说明的是,由于用户用电时通常会存在一定的日常活动行为习惯,因此,用户的用电电压一般会呈现以“天”为单位的周期性分布状态,故以“天”为单位,获取采集电力系统中每个变电站每天的电压时序数据,对电力系统中每个变电站每天的电压时序数据进行分析,自适应获取对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值。
需要说明的是,在不同时段内,电力系统的负荷(用电需求)会发生显著的变化。例如,白天由于有较多的商业和工业活动,因此,白天的电力需求相对较高,而晚上则是住宅用电高峰,电力需求相对较低,每个时段内的电力系统的负荷变化会导致电压数据的波动程度不同。在单位时间内,不同时段内的数据的波动程度不同,例如在用电高峰期,随着用电器的增加,变电站的电压会变得不稳定,波动程度较大,在对电压数据进行异常检测时,就需要较大的初始邻域距离值即值,以防止/>值过小将正常的电压数据误判为异常的电压数据;在不处于用电高峰期时,变电站的电压变化则较为稳定,此时则需要较小的初始邻域距离值即/>值,以防止/>值过大时忽略电压数据中的异常数据点。故需要通过对单个变电站每天每一时段内的电压数据的波动程度进行分析,获取对单个变电站进行异常检测时的初始邻域距离值。
具体地,将一天中的时间分为三个时段,分别为:“0:00~8:00、8:00~18:00、18:00~23:59”。由于这三个时段内的电压数据波动程度不同,故根据每个时段内的电压数据波动程度自适应获取每个变电站每天每个时段对应的初始邻域距离值,以“0:00~8:00”这个时段的电压数据为例,根据该时段内的电压数据的波动程度,获取该时段内对应的初始邻域距离值。
其中,计算出对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值,对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值的计算公式为:
其中,表示对任一个变电站任一天任一时段内的电压数据进行异常检测时的初始邻域距离值;/>表示预设的基准邻域距离值;/>表示预设波动敏感性超参数;/>表示当前时段内的电压数据总数;/>表示当前时段内的第/>个电压数据;/>表示当前时段内的第/>个电压数据的取值;/>表示当前时段内的电压数据的均值;/>表示向上取整。
在每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值的计算公式中,预设一个基准邻域距离值是为了防止当前时段内的数据波动变化较小,从而导致初始邻域距离值过小,因此,预设的基准邻域距离值/>;/>表示预设波动敏感性超参数,用于调整数据的波动程度对/>值的影响,取经验值/>;当前时段内的电压数据的波动程度越大,则该时段内的电压数据对应的初始邻域距离值即/>值就越大;反之,当前时段内的电压数据的波动程度越小,则该时段内的电压数据对应的初始邻域距离值即值就越小。
至此,根据每个时段内的电压数据的波动程度,计算出对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值。
其中,根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度的步骤包括:根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天每个时段内的电压数据的异常程度;将每个变电站每天所有时段内的电压数据的异常程度均值,作为每个变电站每天的异常程度。
本实施例中将每个变电站每天的电压时序数据划分为多个时段内的电压数据,因此需要分别计算每个时段内的电压数据,每个变电站每天每个时段内的电压数据的异常程度的计算公式为:
其中,表示每个变电站每天每个时段内的电压数据的异常程度;/>表示每个时段内的第/>个电压数据;/>表示每个时段内的电压数据总数;/>表示每个时段内的第/>个电压数据的取值;/>表示每个时段内的第/>个电压数据的取值;/>表示预设电压标准值;/>表示每个时段内的电压数据的相邻项差分值均值。
在每个变电站每天每个时段内的电压数据的异常程度的计算公式中,表示每个时段内的电压值与正常值的偏离程度,该值越大,则说明每个时段内的电压值与正常值的偏离程度越大;/>表示每个时段内的电压数据的差分值,即电压数据的波动大小取值;/>则表示每个时段内的电压数据的波动稳定情况,每个时段内的电压数据波动越稳定,则的取值越小。若一个时段内的电压值与正常值的偏离程度越大,该时段内的电压数据波动越不稳定,则该时段内的电压数据越不稳定,则/>值越大,即当前时段内的该变电站的异常程度越大。当电压数据与电压数据正常值的偏离程度越大时,则说明此时的电压数据越异常。在电力系统中,变电站的电压数据的波动稳定程度也反应了变电站的异常程度,不论用电高峰期还是用电低峰期,当变电站的供电与用户电力需求相匹配时,电压数据的上下波动变化会较为稳定,不会出现一会波动较大一会波动较小的情况,故根据电压数据的波动稳定程度计算每个变电站每天每个时段内的电压数据的异常程度。
至此,计算出了每个变电站每天每个时段内的电压数据的异常程度,将每个变电站每天全部时间段内的异常程度均值作为该变电站的异常程度均值作为该变电站的异常程度。
第二计算模块:用于选取任意一个变电站作为目标变电站,将与目标变电站输入端相连的变电站记为目标相连变电站;根据目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性、每个目标相连变电站每天的异常程度,计算出全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;根据每个目标相连变电站在每天每个时段内对目标变电站的异常影响参数、目标变电站每天每个时段对应的初始邻域距离值,计算出目标变电站每天每个时段对应的修正后邻域距离值;按照目标变电站每天每个时段对应的修正后邻域距离值的计算方法,计算出每个变电站每天每个时段对应的修正后邻域距离值。
需要说明的是,由于变电站之间通常通过电力输电线路相连,通常一个变电站的输入端与多个变电站的输出端相连接,当一个变电站中出现异常状态时,他会导致与其输出端相连的变电站数据也发生异常,即与其输出端相连的变电站的数据属于正常数据,但是由于该变电站发生异常,从而导致与其输出端相连的变电站的正常数据也变为了异常数据,虽然与其输出端相连的变电站数据变为了异常数据,但是这种异常为伪异常数据,在进行异常数据检测时则需要增大异常检测的邻域距离值,以防止将伪异常的数据检测为异常数据。
如图2所示,为多个变电站相连的示意图。若市由变电站/>提供电力支持,为了防止/>市的电力需求过大,导致变电站超负荷,通常由/>等多个变电站与/>变电站相连接,以防止当/>市的电力需求过大时,导致变电站/>的负荷过大。但是,当与变电站相连的多个变电站,即变电站/>出现异常时,则会将/>中的异常数据映射到变电站/>。故需要根据与变电站/>相关的/>变电站的数据变化情况,计算变电站对变电站/>的影响。
其中,目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性的获取步骤包括:任意选取出一个目标相连变电站作为第一目标相连变电站;将目标变电站任一天任一时段内的电压数据作为第一序列;将第一目标相连变电站同天同一时段内的电压数据作为第二序列;利用皮尔逊相关系数计算出第一序列和第二序列的相关性,并将该相关性作为目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性;按照目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性的计算方法,计算出目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性。
利用现有技术中的皮尔逊相关系数获取与目标变电站相连的多个变电站与目标变电站的相关性,相关性的取值范围为,相关性越小,则说明二者越呈负相关,相关性越大,则说明二者越呈正相关,相关性越趋近于0,则说明二者越不相关。
其中,全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数的计算步骤为:将目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性,与第一目标相连变电站每天的异常程度相乘,并将得到的乘积作为第一目标相连变电站对应的相关异常程度;将全部第一目标相连变电站对应的相关异常程度累加得到相关异常程度累加值;将相关异常程度累加值的立方值作为全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数。
与目标变电站相连的多个目标相连变电站发生异常时,这些异常会影响到目标变电站的数据,使目标变电站的数据也变的异常,而多个目标相连变电站同时异常时,若这些异常则会产生叠加效应或者抵消效应,若发生异常的目标相连变电站均为正偏差,则会在目标变电站产生更大的偏差,即异常程度呈指数级增长;若发生异常的目标相连变电站的偏差有正有负,则会相互抵消,从而使目标变电站的偏差减小。故需要根据与目标变电站相连的多个目标相连变电站中与目标变电站的相关性大小,计算与目标变电站相连的多个目标相连变电站对目标变电站异常影响参数。
全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数的计算公式如下:
其中,表示全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;/>表示目标相连变电站总个数;/>表示与目标变电站的输入端相连多个目标相连变电站中的第/>个目标相连变电站;/>表示第/>个变电站每天的异常程度;/>表示目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性大小。
其中,表示与目标变电站的输入端相连多个变电站中的第/>个变电站对目标变电站的影响大小,其影响越大,则该相连变电站对目标变电站的异常影响参数越大。
在全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数的计算公式中,使用仅为了表示若/>时,随着取值的增加,则多个目标相连变电站对目标变电站的异常影响参数的增量逐渐变大;若/>时,则多个目标相连变电站对目标变电站的异常影响参数为0;若/>时,则多个目标相连变电站对目标变电站的异常影响参数随着/>的减小,其增量绝对值也越来越大。
至此,获取到了全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数。
其中,根据每个目标相连变电站在每天每个时段内对目标变电站的异常影响参数、目标变电站每天每个时段对应的初始邻域距离值,计算出目标变电站每天每个时段对应的修正后邻域距离值,目标变电站每天每个时段对应的修正后邻域距离值的计算公式为:
其中,表示目标变电站每天每个时段对应的修正后邻域距离值;/>表示目标变电站每天每个时段对应的初始邻域距离值;/>表示全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;/>表示预设超参数,预设/>;/>表示反正切函数,/>是为了将其值域限制在/>范围之内;/>表示向上取整。
在目标变电站每天每个时段对应的修正后邻域距离值的计算公式中,若,则说明目标变电站相连的多个目标相连变电站对目标变电站的异常影响为正向影响,即与目标变电站相连的多个目标相连变电站对目标变电站的异常影响的影响越大,则目标变电站的数据异常波动越大,因此,当/>时,/>越大,则修正后邻域距离值即修正后的/>值越大;若/>,则说明目标变电站相连的多个目标相连变电站对目标变电站的异常影响为负向影响,即与目标变电站相连的多个目标相连变电站对目标变电站的异常影响的影响越大,则目标变电站的数据异常波动越小,因此,当/>时,/>越小,则修正后邻域距离值即修正后的/>值越小。
异常检测模块:用于根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果。
利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果的步骤包括:根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法计算出每个变电站每天每个时段内的每一个电压数据的异常得分;将每个变电站每天每个时段内的每一个电压数据的异常得分大于或等于预设异常得分阈值的电压数据选取出作为疑似异常电压数据;将每个变电站每天每个时段内的全部疑似异常电压数据作为异常检测结果输出。
需要说明的是,本实施例中的异常检测算法为LOF算法,将每个变电站每天每个时段内的所有电压数据输入到LOF算法中,得到每个变电站每天每个时段内的每一个电压数据的异常得分。
需要说明的是,本实施例中预设异常得分阈值,将所有电压数据的异常得分大于或等于/>的电压数据以及其所处时段提取出来,初步判断异常得分大于或等于/>的数据为疑似异常电压数据,将每个变电站每天每个时段内的全部疑似异常电压数据作为异常检测结果输出。
故障诊断模块:用于根据异常检测结果对电力系统中每个变电站进行故障诊断。
根据异常检测结果对电力系统中每个变电站进行故障诊断的步骤包括:根据每个变电站每天每个时段内的每个疑似异常电压数据的异常得分、每个变电站每天每个时段内的疑似异常电压数据总数,计算出每个变电站每天每个时段的预警程度;当每个变电站每天每个时段的预警程度小于或等于预设第一预警程度阈值时,不对检修人员做出故障诊断提示;当每个变电站每天每个时段的预警程度大于预设第一预警程度阈值并且小于预设第二预警程度阈值时,对检修人员做出二级故障诊断提示;当每个变电站每天每个时段的预警程度大于或等于预设第二预警程度阈值时,对检修人员做出一级故障诊断提示。
每个变电站每天每个时段的预警程度计算公式为:
其中,表示每个变电站每天每个时段的预警程度;/>表示每个变电站每天每个时段内的疑似异常电压数据总数;/>表示每个变电站每天每个时段内的电压数据总数;/>表示每个变电站每天每个时段内的第/>个疑似异常电压数据的异常得分;表示线性归一化函数。
需要说明的是,本实施例中预设第一预警程度阈值经验值,预设第二预警程度阈值经验值/>;/>表示每个变电站每天每个时段内的疑似异常电压数据在电压数据总数中的占比,占比越高,则说明每个变电站每天每个时段内的疑似异常电压数据数量越多,则说明这个时段内的数据异常程度大那么预警程度越高;/>表示每个变电站每天每个时段内的所有疑似异常电压数据的异常得分均值,该值越大,则说明数据越异常,预警程度越高。
本发明提供的电力系统故障诊断系统,通过分析每个变电站每天每个时段内的电压数据波动变化情况自适应获取初始邻域距离值,然后根据各变电站之间的联系,获取各变电站之间的影响,并且根据各变电站之间的影响对初始邻域距离值进行修正得到修正后邻域距离值,之后根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测能保证异常检测结果的准确性,避免了过多的误检。
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)
1.一种电力系统故障诊断系统,其特征在于,该系统包括:
数据采集模块:用于采集电力系统中每个变电站每天的电压时序数据;
第一计算模块:用于将每个变电站每天的电压时序数据划分为多个时段内的电压数据;根据每个时段内的电压数据的波动程度,计算出对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值,将计算出的初始邻域距离值记为每个变电站每天每个时段对应的初始邻域距离值;根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度;
第二计算模块:用于选取任意一个变电站作为目标变电站,将与目标变电站输入端相连的变电站记为目标相连变电站;根据目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性、每个目标相连变电站每天的异常程度,计算出全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;根据每个目标相连变电站在每天每个时段内对目标变电站的异常影响参数、目标变电站每天每个时段对应的初始邻域距离值,计算出目标变电站每天每个时段对应的修正后邻域距离值;按照目标变电站每天每个时段对应的修正后邻域距离值的计算方法,计算出每个变电站每天每个时段对应的修正后邻域距离值;
异常检测模块:用于根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果;
故障诊断模块:用于根据异常检测结果对电力系统中每个变电站进行故障诊断。
2.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,对每个变电站每天每个时段内的电压数据进行异常检测时的初始邻域距离值的计算公式为:
其中,表示对任一个变电站任一天任一时段内的电压数据进行异常检测时的初始邻域距离值;/>表示预设的基准邻域距离值;/>表示预设波动敏感性超参数;/>表示当前时段内的电压数据总数;/>表示当前时段内的第/>个电压数据;/>表示当前时段内的第/>个电压数据的取值;/>表示当前时段内的电压数据的均值;/>表示向上取整。
3.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天的异常程度的步骤包括:
根据每个变电站每天每个时段内的电压数据取值,计算出每个变电站每天每个时段内的电压数据的异常程度;
将每个变电站每天所有时段内的电压数据的异常程度均值,作为每个变电站每天的异常程度。
4.根据权利要求3所述的一种电力系统故障诊断系统,其特征在于,每个变电站每天每个时段内的电压数据的异常程度的计算公式为:
其中,表示每个变电站每天每个时段内的电压数据的异常程度;/>表示每个时段内的第/>个电压数据;/>表示每个时段内的电压数据总数;/>表示每个时段内的第/>个电压数据的取值;/>表示每个时段内的第/>个电压数据的取值;/>表示预设电压标准值;/>表示每个时段内的电压数据的相邻项差分值均值。
5.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性的获取步骤包括:
任意选取出一个目标相连变电站作为第一目标相连变电站;
将目标变电站任一天任一时段内的电压数据作为第一序列;
将第一目标相连变电站同天同一时段内的电压数据作为第二序列;
利用皮尔逊相关系数计算出第一序列和第二序列的相关性,并将该相关性作为目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性;
按照目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性的计算方法,计算出目标变电站每天每个时段内的电压数据与每个目标相连变电站同天同一时段内的电压数据的相关性。
6.根据权利要求5所述的一种电力系统故障诊断系统,其特征在于,全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数的计算步骤为:
将目标变电站每天每个时段内的电压数据与第一目标相连变电站同天同一时段内的电压数据的相关性,与第一目标相连变电站每天的异常程度相乘,并将得到的乘积作为第一目标相连变电站对应的相关异常程度;
将全部第一目标相连变电站对应的相关异常程度累加得到相关异常程度累加值;
将相关异常程度累加值的立方值作为全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数。
7.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,目标变电站每天每个时段对应的修正后邻域距离值的计算公式为:
其中,表示目标变电站每天每个时段对应的修正后邻域距离值;/>表示目标变电站每天每个时段对应的初始邻域距离值;/>表示全部目标相连变电站在每天每个时段内对目标变电站的异常影响参数;/>表示预设超参数;/>表示反正切函数;/>表示向上取整。
8.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,利用异常检测算法对每个变电站每天每个时段内的电压数据进行异常检测并输出异常检测结果的步骤包括:
根据每个变电站每天每个时段对应的修正后邻域距离值,利用异常检测算法计算出每个变电站每天每个时段内的每一个电压数据的异常得分;
将每个变电站每天每个时段内的每一个电压数据的异常得分大于或等于预设异常得分阈值的电压数据选取出作为疑似异常电压数据;
将每个变电站每天每个时段内的全部疑似异常电压数据作为异常检测结果输出。
9.根据权利要求1所述的一种电力系统故障诊断系统,其特征在于,根据异常检测结果对电力系统中每个变电站进行故障诊断的步骤包括:
根据每个变电站每天每个时段内的每个疑似异常电压数据的异常得分、每个变电站每天每个时段内的疑似异常电压数据总数,计算出每个变电站每天每个时段的预警程度;
当每个变电站每天每个时段的预警程度小于或等于预设第一预警程度阈值时,不对检修人员做出故障诊断提示;
当每个变电站每天每个时段的预警程度大于预设第一预警程度阈值并且小于预设第二预警程度阈值时,对检修人员做出二级故障诊断提示;
当每个变电站每天每个时段的预警程度大于或等于预设第二预警程度阈值时,对检修人员做出一级故障诊断提示。
10.根据权利要求9所述的一种电力系统故障诊断系统,其特征在于,每个变电站每天每个时段的预警程度计算公式为:
其中,表示每个变电站每天每个时段的预警程度;/>表示每个变电站每天每个时段内的疑似异常电压数据总数;/>表示每个变电站每天每个时段内的电压数据总数;/>表示每个变电站每天每个时段内的第/>个疑似异常电压数据的异常得分;/>表示线性归一化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394011.8A CN117129790B (zh) | 2023-10-26 | 2023-10-26 | 一种电力系统故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394011.8A CN117129790B (zh) | 2023-10-26 | 2023-10-26 | 一种电力系统故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117129790A true CN117129790A (zh) | 2023-11-28 |
CN117129790B CN117129790B (zh) | 2024-01-23 |
Family
ID=88863130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394011.8A Active CN117129790B (zh) | 2023-10-26 | 2023-10-26 | 一种电力系统故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117129790B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349781A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及系统 |
CN117388716A (zh) * | 2023-12-11 | 2024-01-12 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117522086A (zh) * | 2024-01-05 | 2024-02-06 | 中国建筑科学研究院有限公司 | 一种数字化低碳社区能耗管理系统 |
CN117591964A (zh) * | 2024-01-12 | 2024-02-23 | 山西思极科技有限公司 | 基于人工智能的电力智能分析方法 |
CN117828516A (zh) * | 2024-03-06 | 2024-04-05 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193050A (zh) * | 2011-04-19 | 2011-09-21 | 嘉兴电力局 | 一种直流输电线路故障的定位系统 |
WO2014132332A1 (ja) * | 2013-02-26 | 2014-09-04 | 株式会社 日立製作所 | 劣化推定装置及び劣化推定方法 |
US20160285659A1 (en) * | 2015-03-26 | 2016-09-29 | Vt Idirect, Inc. | Apparatus and method for burst signal detection |
WO2022110557A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
CN115766607A (zh) * | 2022-11-08 | 2023-03-07 | 陕西通信规划设计研究院有限公司 | 一种基于5g物联网的数据压缩传输方法 |
CN116010893A (zh) * | 2022-12-30 | 2023-04-25 | 云南电网有限责任公司 | 一种基于用户电压数据的户变关系异常分析方法及系统 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
-
2023
- 2023-10-26 CN CN202311394011.8A patent/CN117129790B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193050A (zh) * | 2011-04-19 | 2011-09-21 | 嘉兴电力局 | 一种直流输电线路故障的定位系统 |
WO2014132332A1 (ja) * | 2013-02-26 | 2014-09-04 | 株式会社 日立製作所 | 劣化推定装置及び劣化推定方法 |
US20160285659A1 (en) * | 2015-03-26 | 2016-09-29 | Vt Idirect, Inc. | Apparatus and method for burst signal detection |
WO2022110557A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
CN115766607A (zh) * | 2022-11-08 | 2023-03-07 | 陕西通信规划设计研究院有限公司 | 一种基于5g物联网的数据压缩传输方法 |
CN116010893A (zh) * | 2022-12-30 | 2023-04-25 | 云南电网有限责任公司 | 一种基于用户电压数据的户变关系异常分析方法及系统 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
Non-Patent Citations (5)
Title |
---|
CHEN LIU 等: "Transformer User Identification Method Based on Abnormal Point Detection and Large Data Clustering", 《IOP PUBLISHING》, pages 052036 * |
杨风召, 朱扬勇, 施伯乐: "IncLOF:动态环境下局部异常的增量挖掘算法", 计算机研究与发展, no. 03, pages 94 - 101 * |
梁伟;王楠;李振斌;: "变电站智能监控系统研究", 天津电力技术, no. 02, pages 3 - 5 * |
王鲁昆;赵晓颖;张健;田春鹏;宿浩;唐功友;: "带高斯噪声的受限玻尔兹曼机在变压器故障诊断中的应用", 中国海洋大学学报(自然科学版), no. 06, pages 117 - 122 * |
田力;向敏;: "基于密度聚类技术的电力系统用电量异常分析算法", 电力系统自动化, no. 05, pages 70 - 76 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349781A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及系统 |
CN117349781B (zh) * | 2023-12-06 | 2024-03-22 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及系统 |
CN117388716A (zh) * | 2023-12-11 | 2024-01-12 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
CN117388716B (zh) * | 2023-12-11 | 2024-02-13 | 四川长园工程勘察设计有限公司 | 基于时序数据的电池组故障诊断方法、系统及存储介质 |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117454120B (zh) * | 2023-12-20 | 2024-03-15 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117522086A (zh) * | 2024-01-05 | 2024-02-06 | 中国建筑科学研究院有限公司 | 一种数字化低碳社区能耗管理系统 |
CN117522086B (zh) * | 2024-01-05 | 2024-03-22 | 中国建筑科学研究院有限公司 | 一种数字化低碳社区能耗管理系统 |
CN117591964A (zh) * | 2024-01-12 | 2024-02-23 | 山西思极科技有限公司 | 基于人工智能的电力智能分析方法 |
CN117591964B (zh) * | 2024-01-12 | 2024-04-05 | 山西思极科技有限公司 | 基于人工智能的电力智能分析方法 |
CN117828516A (zh) * | 2024-03-06 | 2024-04-05 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集系统 |
CN117828516B (zh) * | 2024-03-06 | 2024-05-24 | 湖南大学 | 一种数字化压力罐生产车间现场数据优化采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117129790B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117129790B (zh) | 一种电力系统故障诊断系统 | |
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
Leva et al. | PV module fault diagnosis based on microconverters and day-ahead forecast | |
CN107134978B (zh) | 一种发电量曲线判别光伏组件故障的方法 | |
US9336491B2 (en) | Identification of power system events using fuzzy logic | |
KR101532163B1 (ko) | 태양광발전 상태진단 평가시스템 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN116315173A (zh) | 基于新能源汽车的电池温度采样系统 | |
CN114414940A (zh) | 一种基于用电信息采集系统基础数据的故障判定方法 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN106443361A (zh) | 一种电力网中在线异常的监测方法、装置及系统 | |
CN116827264B (zh) | 一种用于光伏发电的预警系统 | |
CN117131321A (zh) | 一种电能量数据采集方法 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN106197759A (zh) | 一种温度传感器控制系统 | |
CN116961226A (zh) | 一种变电站中变压器的监控方法和系统 | |
CN110849419A (zh) | 一种开关柜状态监测诊断方法及系统 | |
CN115952917A (zh) | 一种有源配电网安全态势感知方法与系统 | |
WO2022009613A1 (ja) | 判定装置、判定方法および判定プログラム | |
CN115306652A (zh) | 一种风电机组发电机轴承故障预警方法及装置 | |
CN109828146B (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
CN210952934U (zh) | 一种开关柜状态监测诊断系统 | |
CN210376555U (zh) | 变电站电容器自动测温预警系统 | |
JP7095734B2 (ja) | 判定装置、太陽光発電システムおよび判定方法 |
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 |