CN117293758B - 基于故障识别的数字化配电馈线监测终端自动化保护方法 - Google Patents
基于故障识别的数字化配电馈线监测终端自动化保护方法 Download PDFInfo
- Publication number
- CN117293758B CN117293758B CN202311575551.6A CN202311575551A CN117293758B CN 117293758 B CN117293758 B CN 117293758B CN 202311575551 A CN202311575551 A CN 202311575551A CN 117293758 B CN117293758 B CN 117293758B
- Authority
- CN
- China
- Prior art keywords
- load data
- abnormal load
- target abnormal
- target
- data
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 360
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
- H02H3/006—Calibration or setting of parameters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于故障识别的数字化配电馈线监测终端自动化保护方法,该方法获取预设时间段内配电馈线的带有时间戳的初始异常负载数据;针对任一初始异常负载数据,获取初始异常负载数据的异常波动程度,根据所有初始异常负载数据的异常波动程度,得到目标异常负载数据;针对任一目标异常负载数据,获取目标异常负载数据的连续变化趋势指标和频率特征值,根据连续变化趋势指标和频率特征值,获取目标异常负载数据的预警程度;获取所有目标异常负载数据的预警程度,根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护,提高了数字化配电馈线监测终端的监测准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于故障识别的数字化配电馈线监测终端自动化保护方法。
背景技术
配电馈线是指用于将电力从发电厂或变电站传送到用户终端的电力输电线路,它起到连接电源和负载之间的桥梁作用,使电力能够有效地传输和分配。而数字化配电馈线监测终端是指利用数字化技术对配电馈线进行数据采集和分析,以实现对配电馈线的实时监测,具体的,数字化配电馈线监测终端获取配电馈线的负载数据,根据负载数据分析发电厂或变电站的负载变化趋势、负荷峰值等信息,进而根据分析结果优化发电厂或变电站的负载调度和计划,以平衡供需关系,提高电网的可靠性和稳定性。
现有技术中,对于配电馈线的负载监测通常采用阈值法,即将采集到的负载数据进行数据分析和处理,得到负载数据的异常程度,并将得到的负载数据的异常程度和预先设定的异常阈值进行对比,得到对比结果,数字化配电馈线监测终端根据对比结果自动监测异常负载变化,如过载或不平衡等,当出现高于或低于异常阈值的负载数据时,数字化配电馈线监测终端会触发报警机制提醒运营人员采取相应的措施。但是在实际监测情况下,采集到的配电馈线的负载数据中存在由电源波动或电磁干扰等环境干扰因素或数据采集传输误差等导致的噪声数据点,从而导致对配电馈线的负载数据进行异常分析的结果不准确,进而使得数字化配电馈线监测终端的异常预警出现较大误差。
因此,如何提高对配电馈线的负载数据进行异常分析的结果成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于故障识别的数字化配电馈线监测终端自动化保护方法,以解决如何提高对配电馈线的负载数据进行异常分析的结果的问题。
本发明实施例中提供了一种基于故障识别的数字化配电馈线监测终端自动化保护方法,该方法包括以下步骤:
实时采集预设时间段内配电馈线的负载数据,构成负载数据时序序列,利用预设的正常负载数据范围,对所述负载数据时序序列中的负载数据进行筛选,得到所述预设时间段内配电馈线的带有时间戳的初始异常负载数据;
针对任一初始异常负载数据,根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,根据所有初始异常负载数据的异常波动程度,对所述所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据;
针对任一目标异常负载数据,根据所述目标异常负载数据在所述预设时间段内的局部负载数据,获取所述目标异常负载数据的连续变化趋势指标,根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,根据所述连续变化趋势指标和所述频率特征值,获取所述目标异常负载数据的预警程度;
获取所有目标异常负载数据的预警程度,根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护。
进一步的,所述预设的正常负载阈值包括最大正常负载阈值和最小正常负载阈值,则所述根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,包括:
获取所述初始异常负载数据与所述最大正常负载阈值之间的第一差值绝对值,获取所述初始异常负载数据与所述最小正常负载阈值之间的第二差值绝对值;
获取所述第一差值绝对值和所述第二差值绝对值之间的最小值,对所述最小值进行负映射,得到的负映射结果作为所述初始异常负载数据的异常波动程度。
进一步的,所述根据所有初始异常负载数据的异常波动程度,对所述所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据,包括:
获取用于滤除噪声数据的异常波动程度阈值,当任一初始异常负载数据的异常波动程度大于所述异常波动程度阈值时,确认所述初始异常负载数据为目标异常负载数据;
遍历所述所有初始异常负载数据,得到所有的目标异常负载数据。
进一步的,所述根据所述目标异常负载数据在所述预设时间段内的局部负载数据,获取所述目标异常负载数据的连续变化趋势指标,包括:
在所述预设时间内的负载数据时序序列中,以所述目标异常负载数据的时间戳为中心,获取预设时间戳范围内的所有负载数据组成所述目标异常负载数据在所述预设时段段内的局部负载数据;
分别计算所有局部负载数据中每两个相邻的局部负载数据之间的差值绝对值,得到差值绝对值均值;
在所述负载数据时序序列中获取所述目标异常负载数据的前相邻负载数据,计算所述目标异常负载数据和所述前相邻负载数据之间的第三差值绝对值;
计算所述差值绝对值均值和所述第三差值绝对值之间的差值,对所述差值的相反数进行反比例归一化处理,得到对应的归一化处理结果;
统计所述局部负载数据的总数量以及所述局部负载数据中包含的目标异常负载数据的第一数量,获取所述总数量与所述第一数量之间的比值;
对所述归一化处理结果和所述比值进行加权求和,得到的结果作为所述目标异常负载数据的连续变化趋势指标。
进一步的,所述根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,包括:
针对所述目标异常负载数据的局部负载数据中的任一目标异常负载数据作为当前负载数据,获取与所述当前负载数据后相邻的目标异常负载数据,计算所述当前负载数据与其后相邻的目标异常负载数据对应的时间戳之间的时间间隔,若所述时间间隔满足预设的时间间隔条件,则确定当前负载数据为目标数据;
统计所述目标异常负载数据的局部负载数据中的目标数据的第二数量,获取所述第二数量与所述目标异常负载数据的局部负载数据的总数量之间的比值,将预设值与所述比值之间的差值作为所述目标异常负载数据的频率特征值。
进一步的,所述根据所述连续变化趋势指标和所述频率特征值,获取所述目标异常负载数据的预警程度,包括:
分别获取所述连续变化趋势指标和所述频率特征值的权重,对所述连续变化趋势指标和所述频率特征值进行加权求和,得到的加权求和结果为所述目标异常负载数据的预警程度。
进一步的,所述根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护,包括:
获取预设的预警程度阈值,将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,根据所述对比结果进行数字化配电馈线监测终端的自动化保护。
进一步的,所述将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,包括:
针对任一目标异常负载数据,当所述目标异常负载数据的预警程度大于或等于所述预设的预警程度阈值时,保留所述目标异常负载数据;
将所有保留的目标异常负载数据构成对比结果。
本发明实施例至少具有如下有益效果:
本发明通过对采集到的负载数据时序序列中的负载数据进行筛选,得到初始异常负载数据,以初步将负载过大或过小的负载数据筛选出来,然后,针对于任一初始异常负载数据,通过分析该初始异常负载数据与正常负载数据的差异,获取初始异常负载数据的异常波动程度,用于滤除采集过程中的噪声干扰所形成的噪声数据,对应得到配电馈线的疑似异常负载数据(也即是目标异常负载数据),进而基于实际异常负载数据的负载变化的持续性或趋势性,获取每个疑似异常负载数据的预警程度,提高了根据所有疑似异常负载数据的预警程度进行数字化配电馈线监测终端的监测准确性,实现了数字化配电馈线监测终端的自动化保护处理。
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和优点,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的介绍,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它附图。
图1为本发明实施例提供的一种基于故障识别的数字化配电馈线监测终端自动化保护方法的步骤流程图。
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基于故障识别的数字化配电馈线监测终端自动化保护方法,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基于故障识别的数字化配电馈线监测终端自动化保护方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于故障识别的数字化配电馈线监测终端自动化保护方法的步骤流程图,该方法包括以下步骤:
步骤S101,实时采集预设时间段内配电馈线的负载数据,构成负载数据时序序列,利用预设的正常负载数据范围,对负载数据时序序列中的负载数据进行筛选,得到预设时间段内配电馈线的带有时间戳的初始异常负载数据。
具体的,本发明实施例在预监测的配电馈线上安装传感器或负载监测设备对其进行实时的负载数据采集,并通过采用物联网(Lot)技术将实时采集到的负载数据传输到中央服务器或云平台进行集中存储和处理,以实现数字化配电馈线监测终端的自动化保护,具体参见下文。
本发明实施例中负载数据包括但不限于电流A、电压U、功率W等其他负载指标中的一种。可根据配电馈线上安装的负载监测设备的具体类型而定。
本发明实施例根据配电馈线上安装的负载监测设备实时采集预设时间段内配电馈线的负载数据,并按照采样时间的顺序将预设时间段内采集的所有负载数据构成一个负载数据时序序列,然后,利用预设的正常负载数据范围,对负载数据时序序列中的负载数据进行筛选,以将不在正常负载数据范围内的负载数据筛选出来,认为筛选出来的负载数据为负载过大或过小的异常负载数据,进而能够得到预设时间段内配电馈线的带有时间戳的初始异常负载数据。其中,预设时间段为1小时,采样频率为1秒,本发明实施例对此不作限制。
需要说明的是,预设的正常负载数据范围可根据配电馈线的安全用电标准进行设定,且采集的负载数据类型不一样,对应的正常负载数据范围不一样,也即是负载电流对应正常负载电流范围、负载电压对应正常负载电压范围。
步骤S102,针对任一初始异常负载数据,根据初始异常负载数据与预设的正常负载阈值之间的差异,获取初始异常负载数据的异常波动程度,根据所有初始异常负载数据的异常波动程度,对所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据。
具体的,在利用监测设备采集获取负载数据的过程中可能会受到多方面因素的干扰,例如,监测设备存在一定的精度或校准问题导致引入测量误差、或是在数据采集和传输的过程中发生传输错误或丢失数据包等问题导致数据中出现不连续不规则的噪声数据,同时,在负载监测环境中存在电磁辐射干扰、电源波动等外部干扰同样会出现噪声数据,该类数据在传统监测方式下大部分会被认定为异常负载数据点,会对最终监测结果和保护处理带来严重的影响,因此,需要先对初始异常负载数据中的噪声数据(监测设备存在一定的精度或校准问题导致引入测量误差、或是在数据采集和传输的过程中发生传输错误或丢失数据包等问题导致数据中出现不连续不规则的噪声数据)进行滤除,以保留疑似负载异常所对应的异常负载数据。
在配电馈线的正常工作状态下,配电馈线的负载通常会保持相对的稳定。而负载数值较小的幅度变化,可能是由于系统本身的微小波动或噪声引起的,与配电馈线的正常运行无关,然而对于负载数值较大的幅度变化,更可能反映系统的异常情况、故障等真实异常事件,由此可知,异常负载数据的数值变化较小的为噪声数据的可能性极高,异常负载数据的数值变化较大的为真实负载异常的可能性更高,基于此特征,本发明实施例针对任一初始异常负载数据,根据初始异常负载数据与预设的正常负载阈值之间的差异,获取初始异常负载数据的异常波动程度。
优选的,所述预设的正常负载阈值包括最大正常负载阈值和最小正常负载阈值,则所述根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,包括:
获取所述初始异常负载数据与所述最大正常负载阈值之间的第一差值绝对值,获取所述初始异常负载数据与所述最小正常负载阈值之间的第二差值绝对值;
获取所述第一差值绝对值和所述第二差值绝对值之间的最小值,对所述最小值进行负映射,得到的负映射结果作为所述初始异常负载数据的异常波动程度。
在一实施方式中,任一初始异常负载数据的异常波动程度的计算表达式为:
其中,表示第i个时间戳对应的初始异常负载数据的异常波动程度,/>表示第i个时间戳对应的初始异常负载数据,/>表示最大正常负载阈值,/>表示最小正常负载阈值,取最小值函数,/>表示以自然常数e为底数的指数函数。
需要说明的是,表示通过计算第i个时间戳对应的初始异常负载数据分别与最大正常负载阈值、最小正常负载阈值之间的差值绝对值,获取最小的差值绝对值表示第i个时间戳对应的初始异常负载数据的变化差异,的值越小,说明第i个时间戳对应的初始异常负载数据为噪声数据的可能性越高,因此,利用以自然常数e为底数的指数函数/>,对进行负映射,使得映射结果/>在值域0~1之间单调递减,则/>的值越趋于1,则说明第i个时间戳对应的初始异常负载数据为噪声数据的可能性越高。
至此,利用上述异常波动程度的获取方法,分别获取每个初始异常负载数据的异常波动程度。在得到所有初始异常负载数据的异常波动程度之后,根据所有初始异常负载数据的异常波动程度,对所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据,具体方法为:获取用于滤除噪声数据的异常波动程度阈值,当任一初始异常负载数据的异常波动程度大于所述异常波动程度阈值时,确认所述初始异常负载数据为目标异常负载数据;遍历所述所有初始异常负载数据,得到所有的目标异常负载数据。
在一实施方式中,设置异常波动程度阈值为0.8,若第i个时间戳对应的初始异常负载数据的异常波动程度大于0.8,则确认第i个时间戳对应的初始异常负载数据为噪声数据,应将第i个时间戳对应的初始异常负载数据进行删除。
步骤S103,针对任一目标异常负载数据,根据目标异常负载数据在预设时间段内的局部负载数据,获取目标异常负载数据的连续变化趋势指标,根据目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取目标异常负载数据的频率特征值,根据连续变化趋势指标和频率特征值,获取目标异常负载数据的预警程度。
具体的,在将初始异常负载数据中的噪声数据删除之后,对于保留的目标异常负载数据,需要进一步对其进行特征分析和异常评估。若负载变化特征在较短时间内频繁的出现,且无明显的持续性和趋势性,则很可能符合噪声数据(负载监测环境中由电磁辐射干扰、电源波动等外部干扰形成的噪声数据)的特征;相反,若负载异常的变化具有一定的持续性或趋势性,并出现在较长的时间段内,更有可能为真实负载异常,因此,为了使得数字化配电馈线监测终端能够准确预警,分析每个目标异常负载数据的预警程度。
本发明实施例中,针对任一目标异常负载数据,根据目标异常负载数据在预设时间段内的局部负载数据,获取目标异常负载数据的连续变化趋势指标,具体获取方法为:
在所述预设时间内的负载数据时序序列中,以所述目标异常负载数据的时间戳为中心,获取预设时间戳范围内的所有负载数据组成所述目标异常负载数据在所述预设时段段内的局部负载数据;
分别计算所有局部负载数据中每两个相邻的局部负载数据之间的差值绝对值,得到差值绝对值均值;
在所述负载数据时序序列中获取所述目标异常负载数据的前相邻负载数据,计算所述目标异常负载数据和所述前相邻负载数据之间的第三差值绝对值;
计算所述差值绝对值均值和所述第三差值绝对值之间的差值,对所述差值的相反数进行反比例归一化处理,得到对应的归一化处理结果;
统计所述局部负载数据的总数量以及所述局部负载数据中包含的目标异常负载数据的第一数量,获取所述总数量与所述第一数量之间的比值;
对所述归一化处理结果和所述比值进行加权求和,得到的结果作为所述目标异常负载数据的连续变化趋势指标。
在一实施方式中,任一目标异常负载数据的连续变化趋势指标的计算表达式为:
其中,表示第j个时间戳对应目标异常负载数据的连续变化趋势指标,/>表示第j个时间戳对应目标异常负载数据的局部负载数据中包含的目标异常负载数据的第一数量,/>表示任一目标异常负载数据,/>表示以自然常数e为底数的指数函数,/>表示第j个时间戳对应目标异常负载数据,/>表示负载数据时序序列的各个时间戳中第j-1个时间戳对应负载数据,/>表示第j个时间戳对应目标异常负载数据的局部负载数据的总数量,/>表示局部负载数据中第k+1个负载数据,/>表示局部负载数据中第k个负载数据,/>为第一权重,/>为第二权重,本发明实施例出经验值/>。
优选的,本发明实施例中,针对于第j个时间戳对应目标异常负载数据的局部负载数据的总数量的获取方法为:在负载数据时序序列中,以第j个时间戳对应目标异常负载数据为中心,获取第j个时间戳对应目标异常负载数据前后各相邻的3个负载数据组成第j个时间戳对应目标异常负载数据的局部负载数据,也即是6个局部负载数据。
需要说明的是,用于表征第j个时间戳对应目标异常负载数据的局部负载数据中目标异常负载数据的占比,占比越大,说明第j个时间戳对应目标异常负载数据的局部时间范围内的持续异常性较高;/>用于表征第j个时间戳对应目标异常负载数据与其前一时刻的负载数据之间的差异,/>表征第j个时间戳对应目标异常负载数据的局部时间范围内相邻两个负载数据之间的差异标准,从而通过计算来表征第j个时间戳对应目标异常负载数据的变化趋势性,该值越小,说明第j个时间戳对应目标异常负载数据与其前一时刻的负载数据之间呈现规律性差异变化,或者差异变化相同,进而表示第j个时间戳对应目标异常负载数据的规律性变化趋势性越强,反之,该值越大,说明第j个时间戳对应目标异常负载数据与其前一时刻的负载数据之间的变化差异越大,表征第j个时间戳对应目标异常负载数据的变化杂乱无序,不具备规律性趋势变化,对应第j个时间戳对应目标异常负载数据的规律性变化趋势性越弱,因此,/>的值与连续变化趋势指标之间呈负相关关系。
进一步的,本发明实施例针对任一目标异常负载数据,根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,具体获取方法:
针对所述目标异常负载数据的局部负载数据中的任一目标异常负载数据作为当前负载数据,获取与所述当前负载数据后相邻的目标异常负载数据,计算所述当前负载数据与其后相邻的目标异常负载数据对应的时间戳之间的时间间隔,若所述时间间隔满足预设的时间间隔条件,则确定当前负载数据为目标数据;
统计所述目标异常负载数据的局部负载数据中的目标数据的第二数量,获取所述第二数量与所述目标异常负载数据的局部负载数据的总数量之间的比值,将预设值与所述比值之间的差值作为所述目标异常负载数据的频率特征值。
在一实施方式中,任一目标异常负载数据的频率特征值的计算表达式为:
其中,表示第j个时间戳对应目标异常负载数据的频率特征值,/>表示第j个时间戳对应目标异常负载数据的局部负载数据中的第a个目标异常负载数据的时间戳,表示第j个时间戳对应目标异常负载数据的局部负载数据中的第a+1个目标异常负载数据的时间戳,/>表示当第a个目标异常负载数据与其相邻的第a+1个目标异常负载数据对应时间戳之间的时间间隔大于或等于预设的连续时间间隔,确认第a个目标异常负载数据为目标数据,/>表示目标数据的数量,1为预设值。
需要说明的是,连续时间间隔v设置为负载数据的采样频率,用于表征第j个时间戳对应目标异常负载数据的局部负载数据中相邻目标异常负载数据属于时间不连续的数据占比,若数据占比不为0;则说明第j个时间戳对应目标异常负载数据的局部负载数据内目标异常负载数据存在明显的频率波动,即第j个时间戳对应目标异常负载数据为噪声数据(负载监测环境中由电磁辐射干扰、电源波动等外部干扰形成的噪声数据)可能性较高,对应第j个时间戳对应目标异常负载数据为真实异常负载数据的可能性越小;反之,若数据占比为0,认为第j个时间戳对应目标异常负载数据的局部负载数据内的目标异常负载数据不具有频率波动特征,对应第j个时间戳对应目标异常负载数据为真实异常负载数据的可能性越大,因此,第j个时间戳对应目标异常负载数据的频率特征值/>与数据占比/>呈负相关关系。
至此,利用上述连续变化趋势指标和频率特征值的获取方法,分别能够获取每个目标异常负载数据的连续变化趋势指标和频率特征值。
进一步的,根据每个目标异常负载数据的连续变化趋势指标和频率特征值,分别获取每个目标异常负载数据的预警程度,用于表征对目标异常负载数据进行异常预警的必要性。则本发明实施例中针对任一目标异常负载数据,获取该目标异常负载数据的预警程度的方法包括:分别获取所述连续变化趋势指标和所述频率特征值的权重,对所述连续变化趋势指标和所述频率特征值进行加权求和,得到的加权求和结果为所述目标异常负载数据的预警程度。
在一实施方式中,任一目标异常负载数据的预警程度的计算表达式为:
其中,表示第o个时间戳对应目标异常负载数据的预警程度,/>表示第o个时间戳对应目标异常负载数据的连续变化趋势指标,/>表示第o个时间戳对应目标异常负载数据的频率特征值,/>表示连续变化趋势指标的权重系数,/>表示频率特征值的权重系数。
优选的,本发明实施例中根据经验值赋予。
需要说明的是,连续变化趋势指标越大,说明对应目标异常负载数据越为真实异常负载,频率特征值越大,说明对应目标异常负载数据越为真实异常负载,对应目标异常负载数据的预警程度越大,因此,目标异常负载数据的预警程度分别与连续变化趋势指标、频率特征值呈正相关关系。
至此,能够获取每个目标异常负载数据的预警程度。
步骤S104,获取所有目标异常负载数据的预警程度,根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护。
具体的,利用步骤S103获取所有目标异常负载数据的预警程度,然后根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护。
优选的,所述根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护,包括:
获取预设的预警程度阈值,将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,根据所述对比结果进行数字化配电馈线监测终端的自动化保护。
具体的,本发明实施例中,预警程度阈值为0.7,本发明对此不做限制。根据对比结果进行数字化配电馈线监测终端的自动化保护,能够使得数字化配电馈线监测终端降低对噪声负载数据的敏感度,增大对预警程度较高数据点的敏感度。
优选的,所述将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,包括:
针对任一目标异常负载数据,当所述目标异常负载数据的预警程度大于或等于所述预设的预警程度阈值时,保留所述目标异常负载数据;
将所有保留的目标异常负载数据构成对比结果。
具体的,根据预警程度对目标异常负载数据进行区分,对于预警程度高的目标异常负载数据进行预警处理,对于预警程度较低的目标异常负载数据进行忽略,因此,若任一目标异常负载数据的预警程度大于或等于0.7时,保留该目标异常负载数据,进而能够获取所有保留的目标异常负载数据组成的对比结果。
综上所述,本发明实施例实时采集预设时间段内配电馈线的负载数据,构成负载数据时序序列,利用预设的正常负载数据范围,对所述负载数据时序序列中的负载数据进行筛选,得到所述预设时间段内配电馈线的带有时间戳的初始异常负载数据;针对任一初始异常负载数据,根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,根据所有初始异常负载数据的异常波动程度,对所述所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据;针对任一目标异常负载数据,根据所述目标异常负载数据在所述预设时间段内的局部负载数据,获取所述目标异常负载数据的连续变化趋势指标,根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,根据所述连续变化趋势指标和所述频率特征值,获取所述目标异常负载数据的预警程度;获取所有目标异常负载数据的预警程度,根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护。其中,通过对采集到的负载数据时序序列中的负载数据进行筛选,得到初始异常负载数据,以初步将负载过大或过小的负载数据筛选出来,然后,针对于任一初始异常负载数据,通过分析该初始异常负载数据与正常负载数据的差异,获取初始异常负载数据的异常波动程度,用于滤除采集过程中的噪声干扰所形成的噪声数据,对应得到配电馈线的疑似异常负载数据(也即是目标异常负载数据),进而基于实际异常负载数据的负载变化的持续性或趋势性,获取每个疑似异常负载数据的预警程度,提高了根据所有疑似异常负载数据的预警程度进行数字化配电馈线监测终端的监测准确性,实现了数字化配电馈线监测终端的自动化保护处理。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (6)
1.一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,该方法包括:
实时采集预设时间段内配电馈线的负载数据,构成负载数据时序序列,利用预设的正常负载数据范围,对所述负载数据时序序列中的负载数据进行筛选,得到所述预设时间段内配电馈线的带有时间戳的初始异常负载数据;
针对任一初始异常负载数据,根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,根据所有初始异常负载数据的异常波动程度,对所述所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据;
针对任一目标异常负载数据,根据所述目标异常负载数据在所述预设时间段内的局部负载数据,获取所述目标异常负载数据的连续变化趋势指标,根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,根据所述连续变化趋势指标和所述频率特征值,获取所述目标异常负载数据的预警程度;
获取所有目标异常负载数据的预警程度,根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护;
所述根据所述目标异常负载数据在所述预设时间段内的局部负载数据,获取所述目标异常负载数据的连续变化趋势指标,包括:
在所述预设时间段内的负载数据时序序列中,以所述目标异常负载数据的时间戳为中心,获取预设时间戳范围内的所有负载数据组成所述目标异常负载数据在所述预设时间段段内的局部负载数据;
分别计算所有局部负载数据中每两个相邻的局部负载数据之间的差值绝对值,得到差值绝对值均值;
在所述负载数据时序序列中获取所述目标异常负载数据的前相邻负载数据,计算所述目标异常负载数据和所述前相邻负载数据之间的第三差值绝对值;
计算所述差值绝对值均值和所述第三差值绝对值之间的差值,对所述差值的相反数进行反比例归一化处理,得到对应的归一化处理结果;
统计所述局部负载数据的总数量以及所述局部负载数据中包含的目标异常负载数据的第一数量,获取所述总数量与所述第一数量之间的比值;
对所述归一化处理结果和所述比值进行加权求和,得到的结果作为所述目标异常负载数据的连续变化趋势指标;
所述根据所述目标异常负载数据的局部负载数据中每个目标异常负载数据的时间戳,获取所述目标异常负载数据的频率特征值,包括:
针对所述目标异常负载数据的局部负载数据中的任一目标异常负载数据作为当前负载数据,获取与所述当前负载数据后相邻的目标异常负载数据,计算所述当前负载数据与其后相邻的目标异常负载数据对应的时间戳之间的时间间隔,若所述时间间隔满足预设的时间间隔条件,则确定当前负载数据为目标数据;
统计所述目标异常负载数据的局部负载数据中的目标数据的第二数量,获取所述第二数量与所述目标异常负载数据的局部负载数据的总数量之间的比值,将预设值与所述比值之间的差值作为所述目标异常负载数据的频率特征值。
2.如权利要求1所述的一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,所述预设的正常负载阈值包括最大正常负载阈值和最小正常负载阈值,则所述根据所述初始异常负载数据与预设的正常负载阈值之间的差异,获取所述初始异常负载数据的异常波动程度,包括:
获取所述初始异常负载数据与所述最大正常负载阈值之间的第一差值绝对值,获取所述初始异常负载数据与所述最小正常负载阈值之间的第二差值绝对值;
获取所述第一差值绝对值和所述第二差值绝对值之间的最小值,对所述最小值进行负映射,得到的负映射结果作为所述初始异常负载数据的异常波动程度。
3.如权利要求1所述的一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,所述根据所有初始异常负载数据的异常波动程度,对所述所有初始异常负载数据中的噪声数据进行滤除,得到目标异常负载数据,包括:
获取用于滤除噪声数据的异常波动程度阈值,当任一初始异常负载数据的异常波动程度大于所述异常波动程度阈值时,确认所述初始异常负载数据为目标异常负载数据;
遍历所述所有初始异常负载数据,得到所有的目标异常负载数据。
4.如权利要求1所述的一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,所述根据所述连续变化趋势指标和所述频率特征值,获取所述目标异常负载数据的预警程度,包括:
分别获取所述连续变化趋势指标和所述频率特征值的权重,对所述连续变化趋势指标和所述频率特征值进行加权求和,得到的加权求和结果为所述目标异常负载数据的预警程度。
5.如权利要求1所述的一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,所述根据所有目标异常负载数据的预警程度进行数字化配电馈线监测终端的自动化保护,包括:
获取预设的预警程度阈值,将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,根据所述对比结果进行数字化配电馈线监测终端的自动化保护。
6.如权利要求5所述的一种基于故障识别的数字化配电馈线监测终端自动化保护方法,其特征在于,所述将所有目标异常负载数据的预警程度与所述预设的预警程度阈值进行对比,得到对比结果,包括
针对任一目标异常负载数据,当所述目标异常负载数据的预警程度大于或等于所述预设的预警程度阈值时,保留所述目标异常负载数据;
将所有保留的目标异常负载数据构成对比结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575551.6A CN117293758B (zh) | 2023-11-24 | 2023-11-24 | 基于故障识别的数字化配电馈线监测终端自动化保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575551.6A CN117293758B (zh) | 2023-11-24 | 2023-11-24 | 基于故障识别的数字化配电馈线监测终端自动化保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117293758A CN117293758A (zh) | 2023-12-26 |
CN117293758B true CN117293758B (zh) | 2024-02-02 |
Family
ID=89258901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575551.6A Active CN117293758B (zh) | 2023-11-24 | 2023-11-24 | 基于故障识别的数字化配电馈线监测终端自动化保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117293758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118245952B (zh) * | 2024-05-20 | 2024-08-30 | 湖南雷诺科技发展有限公司 | 基于物联网的5g机房故障智能检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738136A (zh) * | 2016-01-27 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备异常检测方法和装置 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN114563182A (zh) * | 2022-02-25 | 2022-05-31 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承碰磨故障识别方法、系统、介质及设备 |
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 |
CN116865205A (zh) * | 2023-09-05 | 2023-10-10 | 温州宝翔科技有限公司 | 一种无线断路器故障预警方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7247627B2 (ja) * | 2019-02-12 | 2023-03-29 | 富士電機株式会社 | 異常要因特定方法、異常要因特定装置、電力変換装置及び電力変換システム |
-
2023
- 2023-11-24 CN CN202311575551.6A patent/CN117293758B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738136A (zh) * | 2016-01-27 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备异常检测方法和装置 |
WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
CN114563182A (zh) * | 2022-02-25 | 2022-05-31 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承碰磨故障识别方法、系统、介质及设备 |
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 |
CN116865205A (zh) * | 2023-09-05 | 2023-10-10 | 温州宝翔科技有限公司 | 一种无线断路器故障预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
Mohamed Salah Elbana et al..µPMU-based smart adaptive protection scheme for microgrids.《Journal of Modern Power Systems and Clean Energy 》.2019,第7卷(第4期),第887-898页. * |
张新鹤等.基于分割区域的配电网异常线损数据辨识与修正.《浙江电力》.2023,第42卷(第10期),第90-100页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117293758A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117293758B (zh) | 基于故障识别的数字化配电馈线监测终端自动化保护方法 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN112068065B (zh) | 一种电压互感器状态预警方法、装置及存储介质 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
US20190369570A1 (en) | System and method for automatically detecting anomalies in a power-usage data set | |
CN110555596A (zh) | 一种基于配电物资质量评价的抽检策略制定方法及系统 | |
CN115995886A (zh) | 一种电力设备的电力监控系统 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN114354783A (zh) | 基于在运数据的特高压油色谱监测装置健康度评估方法 | |
CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
CN113282576A (zh) | 一种气象数据质量控制方法 | |
CN110186384B (zh) | 船体结构应力监测系统传感器偏差故障诊断方法 | |
CN117932501A (zh) | 一种电能表运行状态管理方法和系统 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN117092541B (zh) | 一种直流充电大数据计算电池健康的分析方法 | |
CN113333304A (zh) | 一种基于互联网的环保卷材检测评估分拣系统 | |
CN116823067A (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN111999435A (zh) | 空气负氧离子监测数据质量管控及相关设备 | |
US7146288B1 (en) | System and method for estimating quantization error in sampled data | |
CN114662058B (zh) | 无线站点监测方法及装置 | |
JPH03132899A (ja) | オンライン設備の寿命予測方法 |
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 |