CN117368651B - 一种配电网故障综合分析系统及方法 - Google Patents
一种配电网故障综合分析系统及方法 Download PDFInfo
- Publication number
- CN117368651B CN117368651B CN202311666148.4A CN202311666148A CN117368651B CN 117368651 B CN117368651 B CN 117368651B CN 202311666148 A CN202311666148 A CN 202311666148A CN 117368651 B CN117368651 B CN 117368651B
- Authority
- CN
- China
- Prior art keywords
- data
- power distribution
- distribution network
- fault
- module
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 204
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 106
- 238000003745 diagnosis Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 2
- 238000004088 simulation Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001960 triggered effect 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及数据处理技术领域，尤其涉及一种配电网故障综合分析系统及方法。首先，采集配电网的数据，并对数据进行存储与处理；其次，对预处理后的配电网数据进行动态特征提取，得到特征化的配电网数据，并基于特征化的配电网数据，检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上；然后，基于数据库中的历史配电网数据以及特征化的配电网数据，预测未来的故障趋势，得到故障预测的结果，进行预测警报并显示在用户界面上；最后，基于故障检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上。解决了现有技术对配电网故障分析不够全面以及不够准确的技术问题。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种配电网故障综合分析系统及方法。
背景技术
配电网是电力系统的重要组成部分，它将电能从变电站传输到终端用户。由于配电网的复杂性和广泛的覆盖范围，故障的发生是不可避免的，这些故障可能是由于设备老化、外部干扰、操作失误等原因造成的，配电网的故障会导致电力供应中断，影响用户的正常用电，甚至可能导致设备损坏和安全事故。因此，及时、准确地检测和定位配电网故障是非常重要的；目前，配电网的故障分析主要依赖于传统的保护装置和故障指示器。这些方法虽然能够提供一定的故障信息，但在故障定位、故障诊断和故障预测方面仍存在一定的局限性。
对于配电网故障的分析方法有很多，中国发明专利申请号“CN202210289501.0”，发明名称为“一种配电网故障分析方法”，主要包括：构建可视化的配电网模型，并将配电网实际输入参数作为配电网模型的运行输入参数；获取配电网的故障信息；根据配电网的故障信息，向配电网模型中输入多种模拟规则，并获取对应的多个故障模拟方案信息；将多个故障模拟方案信息与故障信息进行匹配分析，并根据分析结果，判断故障原因。该发明通过构建可视化的配电网模型和故障模拟规则库，将配电网实际输入参数作为配电网模型的运行输入参数，在配电网故障时根据故障现象对配电网模型输入多种故障模拟规则，从而快速模拟出多个故障模拟方案，并在故障模拟方案信息与实际故障信息匹配分析后确定最接近的模拟故障原因，从而快速缩小或锁定可能的实际故障原因。
但上述技术至少存在如下技术问题：对配电网故障分析不够全面以及不够准确的技术问题。
发明内容
本申请实施例通过提供一种配电网故障综合分析系统及方法，解决了现有技术对配电网故障分析不够全面以及不够准确的技术问题，实现了全面准确的分析配电网故障的技术效果。
本申请提供了一种配电网故障综合分析系统及方法具体包括以下技术方案：
一种配电网故障综合分析系统，包括以下部分：
数据采集模块，边缘计算模块，自适应数据存储模块，数据预处理模块，动态特征工程模块，故障检测模块，故障预测模块，实时警报模块，故障诊断定位模块，用户界面；
所述数据采集模块，使用传感器和数据采集设备从配电网设备上收集数据，将原始数据传输给自适应数据存储模块和边缘计算模块；数据采集模块采集的数据包含边缘节点数据以及非边缘节点数据，所述非边缘节点数据包括设备状态数据、电气参数、环境数据；
所述边缘计算模块，接收到数据采集模块采集到的边缘节点数据，在配电网的边缘节点实时处理和分析数据，得到边缘节点数据的分析结果，并将分析的结果传送给实时警报模块；
所述自适应数据存储模块，基于数据采集模块的原始数据，根据数据的类型和大小自动选择最合适的存储方式和格式，存储在数据库中，并将最新存储的配电网数据，发送至数据预处理模块；
所述数据预处理模块，基于自适应数据存储模块的存储数据进行数据清洗、格式转换和异常值检测，得到经过预处理的配电网数据，将预处理后的数据传输给动态特征工程模块；
所述动态特征工程模块，基于数据预处理模块的预处理数据动态选择和提取最相关的特征，得到特征化的配电网数据，为故障检测模块和故障预测模块提供特征化的数据；
所述故障检测模块，基于动态特征工程模块的特征化配电网数据，检测配电网的异常模式，得到故障检测结果，将检测结果传输给实时警报模块和故障诊断定位模块；
所述故障预测模块，基于数据库中的历史配电网数据以及动态特征工程模块的特征化数据，预测未来的故障趋势，得到故障预测结果，并将预测结果传输给实时警报模块和用户界面；
所述实时警报模块，基于边缘计算模块的分析结果、故障检测模块的检测结果和故障预测模块的预测结果，生成实时警报；并将警报信息显示在用户界面上，并通知相关人员；
所述故障诊断定位模块，基于故障检测模块的检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上；
所述用户界面，提供交互式的界面，显示配电网的状态、警报、诊断、定位和预测信息，用户通过界面查看和控制配电网的状态。
一种配电网故障综合分析方法，应用于一种配电网故障综合分析系统，包括以下步骤：
S1. 采集配电网的数据，并对数据进行存储与处理；
S2. 对预处理后的配电网数据进行动态特征提取，得到特征化的配电网数据，并基于特征化的配电网数据，检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上；
S3. 基于数据库中的历史配电网数据以及特征化的配电网数据，预测未来的故障趋势，得到故障预测的结果，进行预测警报并显示在用户界面上；
S4. 基于故障检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上。
优选的，所述S1，具体包括：
通过数据采集模块对边缘节点数据和非边缘节点数据进行采集，将采集到的边缘数据进行实时处理和分析；将采集到的非边缘节点数据根据数据的类型和大小自动选择最合适的存储方式和格式存储在数据库中，并对最新存储的配电网数据进行数据预处理。
优选的，所述S2，具体包括：
将预处理后的配电网数据进行动态特征提取，所述动态特征提取，具体有：对预处理后的配电网数据进行特征生成，得到预处理后的配电网数据的动态特征向量，引入权重累积特征选择算法，进行特征选择。
优选的，所述S2，还包括：
根据所述权重累积特征选择算法计算出的特征权重，进行排序选择，得到特征子集，引入非线性主成分分析算法对特征子集进行特征转换，得到特征化的配电网数据。
优选的，所述S2，还包括：
基于特征化的配电网数据，引入基于统计学习的异常检测算法检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上。
优选的，所述S3，具体包括：
从数据库中收集历史配电网数据，对历史配电网数据进行数据清洗，处理缺失值、异常值和重复值；进一步使用时间窗口方法提取历史配电网数据的统计特征，使用傅里叶变换提取历史配电网数据的频域特征，将历史配电网数据特征化，基于特征化后的历史配电网数据通过模型训练方法进行故障预测，得到故障预测的结果，进行预测警报并显示在用户界面上。
优选的，所述S4，具体包括：
对接收到的故障检测结果进行验证，当检测结果不符合预期时，触发数据异常处理流程，包括重新请求数据或发送错误报告；并使用深度学习库，利用历史故障检测结果训练异常检测模型，根据所述异常检测模型得到当前故障检测结果的异常模式，然后将当前故障检测结果的异常模式与由历史故障数据构成的数据库中的故障模式进行对比，查找相似的故障模式，得到潜在的故障原因列表；通过决策树，确定故障原因，完成故障诊断；并利用信号强度和分布定位故障位置；同时使用GIS系统和配电网的地理信息数据，将故障位置与GIS数据进行匹配，进一步定位故障的位置；最后将诊断和定位信息显示在用户界面上。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性。
2、本申请通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性。
3、本申请利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
4、本申请的技术方案能够有效解决对配电网故障分析不够全面以及不够准确的技术问题，通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性；通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，该方案能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性；利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
附图说明
图1为本申请所述配电网故障综合分析系统的模块图；
图2为本申请所述配电网故障综合分析方法的流程图。
具体实施方式
本申请实施例通过提供一种配电网故障综合分析系统及方法，解决了现有技术中对配电网故障分析不够全面以及不够准确的技术问题，总体思路如下：
首先，采集配电网的数据，并将数据进行存储与处理，为故障分析及实时警报提供准确的数据依据；将预处理后的配电网数据进行动态特征提取，以得到特征化的配电网数据，并基于特征化配电网数据，检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上；基于数据库中的历史配电网数据以及特征化配电网数据，预测未来的故障趋势，得到故障预测的结果，进行预测警报并显示在用户界面上；基于故障检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上。通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性；通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，该方案能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性；利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种配电网故障综合分析系统，包括以下部分：
数据采集模块，边缘计算模块，自适应数据存储模块，数据预处理模块，动态特征工程模块，故障检测模块，故障预测模块，实时警报模块，故障诊断定位模块，用户界面；
所述数据采集模块，使用传感器和数据采集设备从配电网设备上收集数据，将原始数据传输给自适应数据存储模块和边缘计算模块；数据采集模块采集的数据包含边缘节点数据以及非边缘节点数据，所述非边缘节点数据如设备状态数据、电气参数、环境数据；
所述边缘计算模块，接收到数据采集模块采集到的边缘节点数据，在配电网的边缘节点实时处理和分析数据，得到边缘节点数据的分析结果，并将分析的结果传送给实时警报模块；
所述自适应数据存储模块，基于数据采集模块的原始数据，根据数据的类型和大小自动选择最合适的存储方式和格式，存储在数据库中，并将最新存储的配电网数据，发送至数据预处理模块，为数据预处理模块提供存储的数据；
所述数据预处理模块，基于自适应数据存储模块的存储数据进行数据清洗、格式转换和异常值检测，得到经过预处理的配电网数据，将预处理后的数据传输给动态特征工程模块；
所述动态特征工程模块，基于数据预处理模块的预处理数据动态选择和提取最相关的特征，得到特征化的配电网数据，为故障检测模块和故障预测模块提供特征化的数据；
所述故障检测模块，基于动态特征工程模块的特征化配电网数据，检测配电网的异常模式，得到故障检测的结果，将检测结果传输给实时警报模块和故障诊断定位模块；
所述故障预测模块，基于数据库中的历史配电网数据以及动态特征工程模块的特征化数据，预测未来的故障趋势，得到故障预测的结果，并将预测结果传输给实时警报模块和用户界面；
所述实时警报模块，基于边缘计算模块的分析结果、故障检测模块的检测结果和故障预测模块的预测结果，生成实时警报；并将警报信息显示在用户界面上，并通知相关人员；
所述故障诊断定位模块，基于故障检测模块的检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上；
所述用户界面，提供一个交互式的界面，显示配电网的状态、警报、诊断、定位和预测信息，用户可以通过界面查看和控制配电网的状态；
参照附图2，本申请所述一种配电网故障综合分析方法，包括以下步骤：
S1. 采集配电网的数据，并对数据进行存储与处理；
针对边缘节点数据，利用数据采集模块进行采集，并将采集到的边缘数据通过边缘计算模块进行实时处理和分析，以减少数据传输的延迟和成本，为实时警报模块提供数据依据；具体实现过程如下：
首先，选择具有足够计算能力和存储容量的边缘计算设备如NVIDIA Jetson系列边缘计算硬件，确保所选设备具有足够的接口，以便与配电网的其他设备和中心服务器进行通信，在配电网的关键边缘节点（如变电站、配电柜）部署所选的边缘计算设备，在边缘计算设备上部署轻量级的数据分析和处理工具Node-RED，在边缘计算设备上安装Node-RED及其依赖项，配置Node-RED，连接到数据源，并设计数据流，使用滑动窗口方法实时读取数据，对每个滑动窗口的数据计算统计特征，这包括数据的均值（μ）和标准差（σ），基于计算的均值和标准差，设置上控制限（UCL）和下控制限（LCL），如果某个数据点超出这些限制，则标记为异常，如果检测到异常或故障，立即生成警报，这个警报应该包含所有必要的信息，如异常的时间、位置、数据值等，并将相关数据和警报信息发送到实时警报模块；
针对非边缘节点数据，利用数据采集模块进行采集，并将采集到的数据传送至自适应数据存储模块，在自适应数据存储模块根据数据的类型和大小自动选择最合适的存储方式和格式存储在数据库中，并将最新存储数据送至数据预处理模块，进行数据预处理；
在进行数据存储时，根据数据的类型和大小自动选择最合适的存储方式和格式存储在数据库中，具体过程如下：
使用文件头来识别数据类型，使用文件系统API来获取文件的大小。对于流式数据，可以使用滑动窗口方法来估计数据流的速率和大小，使用日志分析工具Logstash，来收集和分析数据的访问日志，使用规则引擎来根据数据类型和访问模式选择数据库类型，对于结构化数据，可以使用Apache Arrow，对于半结构化或非结构化数据，可以使用XML格式，使用开源压缩库Zlib，来压缩数据，以存储更多数据；在进行数据存储时，可以进行数据分析、数据备份等，以实现数据的高效存储与查询；
针对最新存储数据进行预处理，具体有：识别数据中的缺失值，利用平均值来填充缺失值，并使用统计方法检测异常值，根据业务逻辑和统计分析结果将异常值替换、删除或修正，同时将数据进行标准化处理，以得到标准形式，将文本或类别数据使用标签编码转化为数值形式，得到预处理后的数据；为故障分析提供准确的数据依据；
本申请通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性。
S2. 对预处理后的配电网数据进行动态特征提取，得到特征化的配电网数据，并基于特征化的配电网数据，检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上；
首先对预处理后的配电网数据进行特征生成，从时间戳中提取如小时、星期、月份等时间特征；对预处理后的配电网数据计算统计特征，如均值、中位数、标准差、偏度；对预处理后的配电网数据进行快速傅里叶变换，得到频域表示，从频域数据中提取频域特征；最终得到预处理后的配电网数据的动态特征向量，为了更准确对动态特征集合选择，本申请引入权重累积特征选择算法，进行特征选择，所述权重累积特征选择算法具体实现算法如下：
基于配电网数据特征集中得到动态特征向量和目标向量/>，所述动态特征向量为提取到的动态特征组成的向量；所述目标向量为配电网故障指标组成的向量，如故障存在性、故障类型；计算每个特征/>和每个目标/>之间的协方差/>；计算每个特征和每个目标/>的方差/>和/>；利用公式计算特征权重，所述公式如下：
，
其中，是特征/>的累积权重，表示特征/>对所有目标/>的整体重要性；/>为特征/>的数据向量；/>为目标/>的数据向量；/>是特征/>和目标/>的协方差，衡量它们的关联性；/>是方差；/>是目标变量的数量；/>是一个调节参数，用于平衡方差和协方差之间的权重，根据经验法获得；/>是另一个调节参数，用于增强特征自身的方差对权重的影响，根据经验法获得；/>强调了特征和目标之间的关联性。
根据计算出的权重，对所有特征进行排序，根据专家经验法设定阈值选择权重高于阈值的特征，这些特征与目标变量有最强的关联性，返回选定的特征子集/>，这些特征可以用于后续特征转换；
本申请引入非线性主成分分析算法对特征子集进行特征转换，具体采用非线性转换函数进行转换，所述非线性转换函数如下：
，
其中，是转换后的特征向量，用于捕获特征子集/>的非线性信息；/>是特征选择后的特征子集；/>、/>、/>是转换函数的参数，通过数据拟合得到；/>是转换函数的数量，即特征子集/>的维度；/>是双曲正切函数；
为了找到最优的、/>、/>参数，本申请使用粒子群优化算法，最小化损失函数，找到最优的/>、/>、/> 参数；
使用找到的最优参数和非线性转换函数，对特征子集/>进行转换，得到新的特征/>；以得到特征化的配电网数据/>；
并基于特征化配电网数据，本申请引入基于统计学习的异常检测算法检测配电网的异常模式，所述基于统计学习的异常检测算法具体实现过程如下：
首先，计算每个特征的均值和协方差矩阵：
，
，
其中，是特征化的配电网数据/>的第/>个项，/>是特征的均值向量，由/>组成；特征化的配电网数据/>的维度是/>，/>是样本数量，/>是特征数量；
接下来，计算多元高斯分布，对于每个样本，其在多元高斯分布中的概率为：
，
根据经验法选择一个阈值，如果/>，则认为/>是一个异常点，得到异常检测结果；
同时根据专家经验设定一个一个故障矩阵，其中每行表示一个故障类型，每列表示一个特征；对于每个异常点/>，计算其与每个故障类型的相似度：
，
其中，是/>的第/>行；
进一步，选择相似度最高的故障类型作为的故障诊断结果，基于故障诊断阶段进行实时警报并显示在用户界面上；
本申请通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，该方案能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性。
S3. 基于数据库中的历史配电网数据以及特征化的配电网数据，预测未来的故障趋势，得到故障预测的结果，进行预测警报并显示在用户界面上；
从数据库中收集历史配电网数据，对历史配电网数据进行数据清洗，处理缺失值、异常值和重复值，确保数据的完整性和准确性；进一步使用时间窗口方法提取数据的滑动平均、滑动方差等统计特征，使用傅里叶变换提取数据的频域特征，将历史配电网数据特征化，利用特征化后的数据进行故障预测；
进一步，在进行故障预测时使用分层随机划分方法进行数据分割确保训练集和测试集的分布一致；使用网格搜索进行模型选择和参数调优；使用GPU加速的深度学习框架，进行模型训练；利用法防止模型过拟合；最后使用交叉验证方法评估模型的稳定性；使用ROC曲线评估模型的分类性能；
最后使用训练好的模型进行故障预测，得到未来故障趋势，并计算预测准确率；
进一步，使用经验阈值设置阈值，如预测准确度大于阈值则生成预测警报，并在用户界面上实时展示预测警报；
本申请利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
S4. 基于故障检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上。
在基于故障检测结果进行故障的原因分析和位置时，首先对接收到的检测结果进行验证，验证接收到的数据的完整性和准确性，确保没有丢失或错误的数据，如果数据不符合预期，触发数据异常处理流程，如重新请求数据或发送错误报告；
使用深度学习库，利用历史故障检测结果训练一个异常检测模型，将当前的故障检测结果作为输入，经过异常检测模型，得到当前故障检测结果的异常模式，然后将当前故障检测结果的异常模式与由历史故障数据构成的数据库中的故障模式进行对比，查找相似的故障模式，得到可能的故障原因列表；
进一步，设计决策树，根据查询结果和专家知识确定故障原因，如果有多个可能的原因，按照概率或重要性排序，并列出前几个最可能的原因，得到当前故障检测结果的诊断结果；
进一步，故障位置定位；使用傅里叶变换提取故障检测结果对应故障数据信号的特征频率和幅度，分析异常信号的强度和分布，确定故障的大致位置；利用卡尔曼滤波技术融合多个传感器的数据，根据融合后的数据，计算故障位置的置信区间，使用GIS系统和配电网的地理信息数据，将计算出的故障位置与GIS数据进行匹配，精确地定位故障的位置；最后将诊断结果和定位信息显示在用户界面上。
综上所述，便完成了本申请所述的一种配电网故障综合分析系统及方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性。
2、本申请通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，该方案能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性。
3、本申请利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
效果调研：
本申请的技术方案能够有效解决对配电网故障分析不够全面以及不够准确的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过边缘计算模块对边缘节点数据进行实时处理和分析，能够大大减少数据传输的延迟，确保故障检测和警报的实时性，提高配电网故障综合分析的全面性；通过动态特征提取和特征选择，能够准确地捕获配电网数据中的异常模式，通过权重累积特征选择算法，该方案能够自动地选择与故障最相关的特征，从而提高故障检测的精度，通过非线性主成分分析，该方案能够捕获配电网数据中的非线性关系，从而提高故障检测的灵敏度；引入了基于统计学习的异常检测算法，能够准确地识别配电网数据中的异常模式，从而提高故障检测的可靠性；利用预测方法对配电网故障进行预测，为配电网的运维人员提供了及时和准确的故障预警，从而降低了故障的风险和损失。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种配电网故障综合分析系统，其特征在于，包括以下部分：
数据采集模块，边缘计算模块，自适应数据存储模块，数据预处理模块，动态特征工程模块，故障检测模块，故障预测模块，实时警报模块，故障诊断定位模块，用户界面；
所述数据采集模块，使用传感器和数据采集设备从配电网设备上收集数据，将原始数据传输给自适应数据存储模块和边缘计算模块；数据采集模块采集的数据包含边缘节点数据以及非边缘节点数据，所述非边缘节点数据包括设备状态数据、电气参数、环境数据；
所述边缘计算模块，接收到数据采集模块采集到的边缘节点数据，在配电网的边缘节点实时处理和分析数据，得到边缘节点数据的分析结果，并将分析的结果传送给实时警报模块；
所述自适应数据存储模块，基于数据采集模块的原始数据，根据数据的类型和大小自动选择存储方式和格式，存储在数据库中，并将最新存储的配电网数据，发送至数据预处理模块；
所述数据预处理模块，基于自适应数据存储模块的存储数据进行数据清洗、格式转换和异常值检测，得到经过预处理的配电网数据，将预处理后的数据传输给动态特征工程模块；
所述动态特征工程模块，基于数据预处理模块的预处理数据动态选择和提取最相关的特征，得到特征化的配电网数据，为故障检测模块和故障预测模块提供特征化的数据；
将预处理后的配电网数据进行动态特征提取，所述动态特征提取，具体有：对预处理后的配电网数据进行特征生成，得到预处理后的配电网数据的动态特征向量，引入权重累积特征选择算法，进行特征选择；利用下述公式计算特征权重：
，
其中，是特征/>的累积权重，表示特征/>对所有目标/>的整体重要性；/>为特征/>的数据向量；/>为目标/>的数据向量；/>是特征/>和目标/>的协方差；/>是方差；/>是目标变量的数量；/>是调节参数，用于平衡方差和协方差之间的权重；/>是调节参数，用于增强特征自身的方差对权重的影响；
根据计算出的特征权重，进行排序选择，得到特征子集，引入非线性主成分分析算法对特征子集进行特征转换，得到特征化的配电网数据；所述非线性主成分分析算法具体采用非线性转换函数进行转换，所述非线性转换函数/>如下：
，
其中，是转换后的特征向量；/>是特征选择后的特征子集；/>、/>、/>是转换函数的参数；/>是特征子集/>的维度；/>是双曲正切函数；
基于特征化的配电网数据，引入异常检测算法检测配电网的异常模式；异常检测算法具体实现过程如下：
首先，计算每个特征的均值和协方差矩阵；
接下来，计算多元高斯分布，对于每个样本在多元高斯分布中的概率为：
，
其中，是特征化的配电网数据的第/>个项，/>是特征的均值向量；选择阈值/>，当时，认为/>是异常点，得到异常检测结果；
同时设定故障矩阵，其中每行表示一个故障类型，每列表示一个特征；对于每个异常点/>，计算其与每个故障类型的相似度：
，
其中，是/>的第/>行；
进一步，选择相似度最高的故障类型作为的故障诊断结果，进行实时警报并显示在用户界面上；
所述故障检测模块，基于动态特征工程模块的特征化配电网数据，检测配电网的异常模式，得到故障检测结果，将检测结果传输给实时警报模块和故障诊断定位模块；
所述故障预测模块，基于数据库中的历史配电网数据以及动态特征工程模块的特征化数据，预测未来的故障趋势，得到故障预测结果，并将预测结果传输给实时警报模块和用户界面；
所述实时警报模块，基于边缘计算模块的分析结果、故障检测模块的检测结果和故障预测模块的预测结果，生成实时警报；并将警报信息显示在用户界面上，并通知相关人员；
所述故障诊断定位模块，基于故障检测模块的检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上；
所述用户界面，提供交互式的界面，显示配电网的状态、警报、诊断、定位和预测信息，用户通过界面查看和控制配电网的状态。
2.一种配电网故障综合分析方法，应用于如权利要求1所述的一种配电网故障综合分析系统，其特征在于，包括以下步骤：
S1. 采集配电网的数据，并对数据进行存储与处理；
S2. 对预处理后的配电网数据进行动态特征提取，得到特征化的配电网数据，并基于特征化的配电网数据，检测配电网的异常模式，得到故障检测的结果，进行实时警报并显示在用户界面上；
S3. 基于数据库中的历史配电网数据以及特征化的配电网数据，预测未来的故障趋势，得到故障预测的结果，进行预测警报并显示在用户界面上；
S4. 基于故障检测结果，分析故障的原因和位置，得到故障的详细诊断和定位信息，并将诊断和定位信息显示在用户界面上。
3.根据权利要求2所述的一种配电网故障综合分析方法，其特征在于，所述S1，具体包括：
通过数据采集模块对边缘节点数据和非边缘节点数据进行采集，将采集到的边缘数据进行实时处理和分析；将采集到的非边缘节点数据根据数据的类型和大小自动选择存储方式和格式存储在数据库中，并对最新存储的配电网数据进行数据预处理。
4.根据权利要求2所述的一种配电网故障综合分析方法，其特征在于，所述S3，具体包括：
从数据库中收集历史配电网数据，对历史配电网数据进行数据清洗，处理缺失值、异常值和重复值；进一步使用时间窗口方法提取历史配电网数据的统计特征，使用傅里叶变换提取历史配电网数据的频域特征，将历史配电网数据特征化，基于特征化后的历史配电网数据通过模型训练方法进行故障预测，得到故障预测的结果，进行预测警报并显示在用户界面上。
5.根据权利要求2所述的一种配电网故障综合分析方法，其特征在于，所述S4，具体包括：
对接收到的故障检测结果进行验证，当检测结果不符合预期时，触发数据异常处理流程，包括重新请求数据或发送错误报告；并使用深度学习库，利用历史故障检测结果训练异常检测模型，根据所述异常检测模型得到当前故障检测结果的异常模式，然后将当前故障检测结果的异常模式与由历史故障数据构成的数据库中的故障模式进行对比，查找相似的故障模式，得到潜在的故障原因列表；通过决策树，确定故障原因，完成故障诊断；并利用信号强度和分布定位故障位置；同时使用GIS系统和配电网的地理信息数据，将故障位置与GIS数据进行匹配，进一步定位故障的位置；最后将诊断和定位信息显示在用户界面上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666148.4A CN117368651B (zh) | 2023-12-07 | 2023-12-07 | 一种配电网故障综合分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666148.4A CN117368651B (zh) | 2023-12-07 | 2023-12-07 | 一种配电网故障综合分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117368651A CN117368651A (zh) | 2024-01-09 |
| CN117368651B true CN117368651B (zh) | 2024-03-08 |
Family
ID=89391367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311666148.4A Active CN117368651B (zh) | 2023-12-07 | 2023-12-07 | 一种配电网故障综合分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117368651B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656938A (zh) * | 2021-07-07 | 2021-11-16 | 北京智芯微电子科技有限公司 | 配电网变压器的监管方法、控制装置、及存储介质 |
| CN114660409A (zh) * | 2022-03-23 | 2022-06-24 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网故障分析方法 |
| CN115224794A (zh) * | 2022-06-08 | 2022-10-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网技术的配电网监测方法 |
| CN116451170A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司平湖市供电公司 | 一种基于多源异构数据的配电网检测方法 |
| CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
| CN116540029A (zh) * | 2023-06-27 | 2023-08-04 | 国网上海市电力公司 | 一种基于节点畸变校正的有源配电网故障区段定位方法及装置 |
| CN116559598A (zh) * | 2023-07-10 | 2023-08-08 | 武汉创星空间科技发展有限公司 | 一种智慧配电网故障定位方法及系统 |
| CN116565861A (zh) * | 2023-07-10 | 2023-08-08 | 广东电网有限责任公司江门供电局 | 一种配电网可靠性评估方法、系统、设备和介质 |
| CN117074852A (zh) * | 2023-07-07 | 2023-11-17 | 云南电力技术有限责任公司 | 一种配电网电能监测预警管理方法及系统 |
| CN117154945A (zh) * | 2023-09-07 | 2023-12-01 | 深圳市艾能聚科技有限公司 | 基于云计算技术的变配电站智能监测方法 |
-
2023
- 2023-12-07 CN CN202311666148.4A patent/CN117368651B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656938A (zh) * | 2021-07-07 | 2021-11-16 | 北京智芯微电子科技有限公司 | 配电网变压器的监管方法、控制装置、及存储介质 |
| CN114660409A (zh) * | 2022-03-23 | 2022-06-24 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网故障分析方法 |
| CN115224794A (zh) * | 2022-06-08 | 2022-10-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网技术的配电网监测方法 |
| CN116451170A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司平湖市供电公司 | 一种基于多源异构数据的配电网检测方法 |
| CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
| CN116540029A (zh) * | 2023-06-27 | 2023-08-04 | 国网上海市电力公司 | 一种基于节点畸变校正的有源配电网故障区段定位方法及装置 |
| CN117074852A (zh) * | 2023-07-07 | 2023-11-17 | 云南电力技术有限责任公司 | 一种配电网电能监测预警管理方法及系统 |
| CN116559598A (zh) * | 2023-07-10 | 2023-08-08 | 武汉创星空间科技发展有限公司 | 一种智慧配电网故障定位方法及系统 |
| CN116565861A (zh) * | 2023-07-10 | 2023-08-08 | 广东电网有限责任公司江门供电局 | 一种配电网可靠性评估方法、系统、设备和介质 |
| CN117154945A (zh) * | 2023-09-07 | 2023-12-01 | 深圳市艾能聚科技有限公司 | 基于云计算技术的变配电站智能监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117368651A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107528832B (zh) | 一种面向系统日志的基线构建与未知异常行为检测方法 | |
| CN105471882A (zh) | 一种基于行为特征的网络攻击检测方法及装置 | |
| CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN112910859A (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
| CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
| CN116150191A (zh) | 一种用于云端数据架构的数据运算加速方法及系统 | |
| CN117411703A (zh) | 一种面向Modbus协议的工业控制网络异常流量检测方法 | |
| CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
| CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| Rozaki | Design and implementation for automated network troubleshooting using data mining | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
| CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
| CN117745054A (zh) | 一种设备异常事件全生命周期管控平台及方法 | |
| Carta et al. | Bad Data Detection and Handling in ICT Platforms for Energy Systems | |
| CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及系统 | |
| CN117113259A (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 |
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 |