CN117408537A - 一种能够实现实时风险预测的电能质量监测系统 - Google Patents

一种能够实现实时风险预测的电能质量监测系统 Download PDF

Info

Publication number
CN117408537A
CN117408537A CN202311728030.XA CN202311728030A CN117408537A CN 117408537 A CN117408537 A CN 117408537A CN 202311728030 A CN202311728030 A CN 202311728030A CN 117408537 A CN117408537 A CN 117408537A
Authority
CN
China
Prior art keywords
curve
acquisition
amplitude
power quality
risk prediction
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
Application number
CN202311728030.XA
Other languages
English (en)
Other versions
CN117408537B (zh
Inventor
张晓�
王坤
张爱琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Kpi Automatic Technology Co ltd
Original Assignee
Anhui Kpi Automatic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Kpi Automatic Technology Co ltd filed Critical Anhui Kpi Automatic Technology Co ltd
Priority to CN202311728030.XA priority Critical patent/CN117408537B/zh
Publication of CN117408537A publication Critical patent/CN117408537A/zh
Application granted granted Critical
Publication of CN117408537B publication Critical patent/CN117408537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种能够实现实时风险预测的电能质量监测系统，包括：采集端，配置多个采集点分布在电力系统中，形成对电力系统中数据的采集形成电能质量数据，采集端用于采集电力系统的采集点根据在电力系统中的位置组成立体空间节点，采集点设置图像采集以及数据采集两种采集方式，采集点包括两种采集节点：定时采集节点以及随机采集节点。本申请在电力系统中建立多点数据采集模型，针对影响电能质量因素的电能质量数据进行采集，并生成采集点之间的变化幅度，根据变化幅度的形态来对电能质量数据进行风险预测预处理。

Description

一种能够实现实时风险预测的电能质量监测系统
技术领域
本发明涉及电能质量监测技术领域，具体为一种能够实现实时风险预测的电能质量监测系统。
背景技术
电力系统一直非常重视供电的电压偏差、频率偏差这二项电能质量指标，有一套比较完善的监测和管理体系，对可能产生的问题都有一些相应的解决方法。但还有另一些电能质量问题还没有引起足够的重视，比如谐波、电压的骤升和骤降等等。引起这些电能质量问题的因素有多种多样，有自然界因素引起、有电网本身引起、有用电负荷引起的等等。
通过电能质量监测系统进行实时风险预测，可以及时发现并消除影响供配电系统正常运行的因素，如过载、不平衡、谐波等，从而提高供配电系统的运行效率和稳定性。实时风险预测的方法有多种，根据不同的应用场景和数据特点，可以选择合适的方法进行风险预测。
中国专利公告号CN115580028B公开了一种用于电力管理的电能质量监测方法及系统，该申请针对预设电网区域构建树状电路分布网络，采集电网故障事件集合并获取电能质量监测指标和电能质量偏差因素集合，通过进行频繁项挖掘生成多组电能质量影响因子集合，确定多组影响因子集合阈值区间，基于此构建电能质量异常预测模型，进行模型分析对预设电网区域的电能质量进行预测管理。
现有的电能质量监测系统在进行电能质量监测时依然存在大量的问题，首先，采集电能质量的相关数据信息并通过预测分析模型来进行实时预测，在进行实时预测时，通过所采集到的数据以及大量的历史数据来进行电能质量的分析，从而获得对于电能质量的实时风险预测，但该方式存在一定的弊端，即需要消耗大量的计算资源和时间，可能导致数据处理和风险预测的延迟和不及时，降低风险预测的效率和实用性，首先，分析的数据量级较大，其次，在分析最终结果不存在风险时就造成了不必要的数据处理和风险分析，导致计算时间的拉长，而在进行风险预测时，所采集的为某一时间节点内的数据信息，因此，数据在短时间内出现变化后复位的情况并不能够及时发现处理。
发明内容
本发明的目的之一在于提供一种能够实现实时风险预测的电能质量监测系统，通过对电能质量数据进行监测，生成电能质量数据变化幅度，根据变化幅度所出现的问题对电能质量进行先一步的处理，在处理完变化幅度后，根据变化幅度所呈现出的结果来选择性的对电能质量数据进行实时风险预测，减少不必要的数据处理和风险分析，提高风险预测的效率和实时性，节省计算资源和时间。
为实现以上目的，本发明通过以下技术方案予以实现：一种能够实现实时风险预测的电能质量监测系统，包括：
采集端，配置多个采集点分布在电力系统中，形成对电力系统中数据的采集形成电能质量数据/>，采集端用于采集电力系统的采集点/>根据在电力系统中的位置组成立体空间节点/>，采集点/>设置图像采集以及数据采集两种采集方式，采集点/>包括两种采集节点：定时采集节点以及随机采集节点；
预处理系统，通过采集节点之间的电能质量数据生成电能质量的变化幅度/>，变化幅度/>为波动曲线，并配置深度学习模型/>对出现风险的电能质量数据/>的异常曲线/>进行深度学习，深度学习模型/>提取变化幅度/>中的波动特征，对波动特征进行分析，筛选与异常曲线/>相符的变化幅度/>，获取电能质量数据/>异常状态/>；
风险预测模型，根据深度学习模型/>分析出存在异常状态/>的波动特征进行风险预测侧重点的分析，并依据风险预测侧重点对存在异常状态/>的电能质量数据/>进行风险预测。
在本发明一或多个实施方式中，采集端不间断对数据进行采集，采集节点所采集的数据值，非采集节点所采集的为数据变化幅度所生成的曲线，以曲线两端的采集节点数值为基础数值/>，根据两相邻采集节点时间内波动数值/>的变化绘制变化幅度/>曲线，即：
；
其中，为不同时间内波动数值/>与基础数值/>线之间的高度差，/>时，波动数值/>位于基础数值/>线上方；/>时，波动数值/>位于基础数值/>线下方；时，波动数值/>与基础数值/>线平行。
在本发明一或多个实施方式中，采集点进行数据采集为所监测数值的实时传输，即通过通讯网络来进行采集点/>所监测数据的采集，采集点/>进行图像采集基于AI分析图像中数值，即经过图像的获取、流媒体的格式转换、数字识别完成对采集点/>数值的采集。
在本发明一或多个实施方式中，深度学习模型通过存在风险问题的电力系统中电能质量数据/>所呈现的变化幅度/>波动曲线建立，提取出现风险问题前变化幅度/>的波动曲线出现的异常曲线/>，采集异常曲线/>生成曲线分析数据库/>，变化幅度/>所生成的波动曲线经过深度学习模型/>提取特征并与异常曲线/>对比。
在本发明一或多个实施方式中，电能质量数据包括电压、频率以及谐波，变化幅度/>，波动曲线在通过深度学习模型/>进行特征分析，深度学习模型/>对波动曲线进行分割，变化幅度/>以波动曲线的上升或下降转折点作为分割点/>进行分割，形成第一曲线特征集/>，变化幅度/>以波动曲线的上升或下降曲线幅度中间值作为分割点/>进行分割，形成第二曲线特征集/>，上升或下降曲线幅度中间值/>通过以下公式计算：
；
其中，为波动曲线中上升或下降曲线的波峰高度，/>为波动曲线中上升或下降曲线的波谷高度，上升或下降曲线幅度中间值/>为上升或下降曲线幅度的高度中间值。
在本发明一或多个实施方式中，通过特征曲线的分割点以及特征曲线的形成时间对特征曲线斜率/>以及弧度/>进行计算，采集分割点/>与基础数值/>线之间的高度差，获取分割点/>数值，即/>，获取曲线特征的延伸时间，计算第一曲线特征集/>内特征曲线斜率/>；获取分割点/>数值以及波峰或波谷点高度差计算波峰和波谷数值，获取曲线特征的延伸时间，计算第二曲线特征集/>内的特征曲线弧度/>。
在本发明一或多个实施方式中，通过变化幅度波动曲线的分割方式对曲线分析数据库/>内的异常曲线/>进行分割并计算异常曲线/>斜率/>以及弧度/>，生成对异常曲线/>的标记，将曲线的斜率/>以及弧度/>标记在异常曲线/>中，第一曲线特征集/>中的斜率/>以及第二曲线特征集/>中的弧度/>与曲线分析数据库/>中异常曲线/>的斜率/>和弧度/>进行对比。
在本发明一或多个实施方式中，计算第一曲线特征集中斜率/>以及第二曲线特征集/>中弧度/>与分析数据库中异常曲线/>斜率/>和弧度/>的偏差比值，即：
其中，为斜率/>偏差比值，/>为弧度/>偏差比值，/>为第一曲线特征集/>中斜率/>数值，/>为异常曲线/>斜率/>数值，/>为第二曲线特征集/>中弧度/>数值，/>为异常曲线/>弧度/>数值。
在本发明一或多个实施方式中，第一曲线特征集以及第二曲线特征集/>内的特征曲线进行组合，筛选出与异常曲线/>斜率/>数值以及弧度/>数值相同的特征曲线组合，生成重合曲线集/>，并标记重合曲线集/>内特征曲线的采集点/>。
在本发明一或多个实施方式中，筛选与第一曲线特征集斜率/>偏差比值/>以及第二曲线特征集/>弧度/>偏差比值/>在90%以内的异常曲线/>，并标记与异常曲线/>适配的特征曲线为偏差曲线/>，获取偏差曲线/>采集点/>位置。根据采集点/>位置所对应的电能质量数据/>标记为异常状态/>，通过风险预测模型/>首先进行异常状态/>的风险预测。
本发明提供了一种能够实现实时风险预测的电能质量监测系统。与现有技术相比具备以下有益效果：
1、本申请在电力系统中建立多点数据采集模型，针对影响电能质量因素的电能质量数据进行采集，并生成采集点/>之间的变化幅度/>，根据变化幅度/>的形态来对电能质量数据/>进行风险预测预处理，来分析该时间内电力系统是否存在发生风险的可能性，从而避免风险预测模型/>进行不必要的数据处理。
2、利用变化幅度来减少风险预测模型/>的数据处理量，提高风险预测的效率和实时性，节省计算资源和时间，从而能够做到及时响应，及时发现存在风险的电力系统，进而降低出现风险的概率，而依据电能质量数据/>中变化幅度/>的不同来进行优先预测，能够进一步的增加风险预测的效率。
3、通过学习模型来进行针对出现风险的电能质量数据所呈现的变化幅度/>进行学习，获取出现风险时变化幅度/>的波动位置以及状态，利用多个波动位置以及状态的不同来进行变化幅度/>的分析，从而获取到有可能造成风险的变化幅度/>，进而能够针对变化幅度/>进行进一步的筛选。
4、基于变化幅度来进行电能质量数据/>的风险预测预处理，针对电能质量数据的多种变化进行预处理，在学习模型持续性的进行学习会增加对风险预测预处理的准确性和可靠性，利用多个波动位置以及状态进行分析，能够针对不同情况进行相应的预测。
附图说明
图1为本发明的电能质量监测系统示意图；
图2为本发明的立体空间节点示意图；
图3为本发明的第一曲线特征集中分割点/>位置示意图；
图4为本发明的第二曲线特征集中分割点/>位置示意图。
具体实施方式
以下将以附图揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明部分实施方式中，这些实务上的细节是非必要的。此外，为简化附图起见，一些现有惯用的结构与元件在附图中将以简单示意的方式绘示之，而在所有附图中，相同的标号将用于表示相同或相似的元件。且若实施上为可能，不同实施例的特征是可以交互应用。
除非另有定义，本文所使用的所有词汇（包括技术和科学术语）具有其通常的意涵，其意涵能够被熟悉此领域者所理解。更进一步的说，上述的词汇在普遍常用的字典中的定义，在本说明书的内容中应被解读为与本发明相关领域一致的意涵。除非有特别明确定义，这些词汇将不被解释为理想化的或过于正式的意涵。
请参阅图1-4，本发明提供一种能够实现实时风险预测的电能质量监测系统，对电力系统进行电能质量的监测，以电力系统中的电能数据进行电力系统的实时风险预测，分析电力系统中出现的问题。包括：
采集端，配置多个采集点分布在电力系统中，形成对电力系统中数据的采集形成电能质量数据/>，采集端用于采集电力系统的采集点/>根据在电力系统中的位置组成立体空间节点/>，采集点/>设置图像采集以及数据采集两种采集方式，采集点/>包括两种采集节点：定时采集节点以及随机采集节点；
预处理系统，通过采集节点之间的电能质量数据生成电能质量的变化幅度/>，变化幅度/>为波动曲线，并配置深度学习模型/>对出现风险的电能质量数据/>的异常曲线/>进行深度学习，深度学习模型/>提取变化幅度/>中的波动特征，对波动特征进行分析，筛选与异常曲线/>相符的变化幅度/>，获取电能质量数据/>异常状态/>；
风险预测模型，根据深度学习模型/>分析出存在异常状态/>的波动特征进行风险预测侧重点的分析，并依据风险预测侧重点对存在异常状态/>的电能质量数据/>进行风险预测。
在本实施例中，通过多个采集点来组成立体空间节点/>，实现对电力系统位置的模拟，当某一采集点/>因自然因素或人为因素被影响出现数据变化时，能够利用某一采集点/>在立体空间节点/>中周围采集点/>的数据变化以及所受影响能够分析自然因素和人为因素的位置，以便于对影响因素进行处理。
在采集点采集电能质量数据/>生成变化幅度/>能够对电能质量数据/>及进行时刻监测，根据变化幅度/>能够反映出电能质量数据/>的整体变化量，无需采集电能质量数据/>时刻的变化，只需要记录变化幅度/>即能够完成对电能质量数据/>的分析，变化幅度/>能够直观的反映出电能质量数据/>的变化。
根据异常状态在电能质量数据/>中的位置，能够首先对该采集点/>进行分析，从而能够更加快速的对电能质量数据/>进行风险预测，缩短风险预测的时间，保证风险预测的实时性，节省计算资源和时间。
在一种实施例中，采集端不间断对数据进行采集，采集节点所采集的数据值，非采集节点所采集的为数据变化幅度所生成的曲线，以曲线两端的采集节点数值为基础数值，根据两相邻采集节点时间内波动数值/>的变化绘制变化幅度/>曲线，即：
；
其中，为不同时间内波动数值/>与基础数值/>线之间的高度差，/>时，波动数值/>位于基础数值/>线上方；/>时，波动数值/>位于基础数值/>线下方；时，波动数值/>与基础数值/>线平行。
在本实施例中，利用在两采集节点内不同时间所呈现的波动数值不同，来绘制两采集点/>之间的变化幅度/>曲线，变化幅度/>曲线反映一采集点/>内的数据变化信息，根据数据变化信息能够分析该采集点/>所采集的数据变化是否合理，从而作为预处理系统的处理依据。
其中，将不同时间内波动数值与基础数值/>线之间所形成的高度差，能够判断在某一时间内波动数值/>与基础数值/>线之间的距离，从而分析波动数值/>位于基础数值/>线上方、下方或重合，将采集节点之间时间内所有波动数值/>进行连接，生成变化幅度/>曲线直接反映采集节点时间内的数值波动。
在一种实施例中，采集点进行数据采集为所监测数值的实时传输，即通过通讯网络来进行采集点/>所监测数据的采集，采集点/>进行图像采集基于AI分析图像中数值，即经过图像的获取、流媒体的格式转换、数字识别完成对采集点/>数值的采集。
在本实施例中，采集点通过数据采集以及AI图像采集两种方式来获取数值变化，对采集点/>内电能质量数据/>的变化进行采集，在AI图像采集中流媒体的格式转换是为了实现系统的实时性，先将原始的码流通过回调函数输出为 YUV色度图像，然后转换为可供后续处理的 RGB 图像格式，并放入计算机缓存当中，再运用数字识别算法，对电能表上的数字进行实时读取识别。
通过加入AI图像识别的采集方式能够扩大本电能质量监测系统的适用范围，在一些公司的电力系统对于电能质量数据的采集无法完成对于数据的传输时，即能够通过图像采集的方式来实现对于电能质量数据/>的远程传输，更加便捷，而对于图像的识别基于AI进行智能识别，只需要采集点/>具备传输功能即可，采集点/>通过无线网络或建立专属传输通道将电能质量数据/>传输至电能质量监测系统。
在一种实施例中，深度学习模型通过存在风险问题的电力系统中电能质量数据所呈现的变化幅度/>波动曲线建立，提取出现风险问题前变化幅度/>的波动曲线出现的异常曲线/>，采集异常曲线/>生成曲线分析数据库/>，变化幅度/>所生成的波动曲线经过深度学习模型/>提取特征并与异常曲线/>对比。
在本实施例中，通过大量存在问题的电力系统中电能质量数据所呈现的异常曲线/>，在建立深度学习模型/>后，通过学习模型来采集节点中的波动曲线进行分析，根据波动曲线的波动变化，分析波动曲线是否存在异常波动，该异常波动是否属于出现风险的前兆。
在深度学习模型不断进行异常曲线/>的学习，将异常曲线/>存储在曲线分析数据库/>内，能够不断的增强深度学习模型/>对于变化幅度/>的分析准确性，以提高深度学习模型/>分析的效率，而由于每一种异常曲线/>的状态分别对应着不同的风险问题，因此，在电能质量数据/>所形成的变化幅度/>出现异常曲线/>时，能够获得出现问题所在的大体位置。
在一种实施例中，电能质量数据包括电压、频率以及谐波，变化幅度/>，波动曲线在通过深度学习模型/>进行特征分析，深度学习模型/>对波动曲线进行分割，变化幅度以波动曲线的上升或下降转折点作为分割点/>进行分割，形成第一曲线特征集/>，变化幅度/>以波动曲线的上升或下降曲线幅度中间值作为分割点/>进行分割，形成第二曲线特征集/>，上升或下降曲线幅度中间值/>通过以下公式计算：
；
其中，为波动曲线中上升或下降曲线的波峰高度，/>为波动曲线中上升或下降曲线的波谷高度，上升或下降曲线幅度中间值/>为上升或下降曲线幅度的高度中间值。
在本实施例中，深度学习模型分割波动曲线，获取到多段波动曲线，将采集节点之间所形成的变化幅度/>波动曲线分割形成的第一曲线特征集/>和第二曲线特征集/>，深度学习模型/>进行第一曲线特征集/>和第二曲线特征集/>的对比，分析与曲线分析数据库/>内所储存的异常曲线/>的吻合程度，对特征曲线进行分析。
曲线的变化拆分为第一曲线特征集和第二曲线特征集/>，两个曲线特征集的分割点/>不一样，在进行曲线分析时，通过两个曲线特征集进行分别对比，曲线特征集内的特征曲线进行不同位置的对比，避免因曲线特征集的形成导致异常曲线/>被拆分无法对比的问题。
在一种实施例中，通过特征曲线的分割点以及特征曲线的形成时间对特征曲线斜率/>以及弧度/>进行计算，采集分割点/>与基础数值/>线之间的高度差，获取分割点数值，即/>，获取曲线特征的延伸时间，计算第一曲线特征集/>内特征曲线斜率/>；获取分割点/>数值以及波峰或波谷点高度差计算波峰和波谷数值，获取曲线特征的延伸时间，计算第二曲线特征集/>内的特征曲线弧度/>。
在本实施例中，分别获取第一曲线特征集的斜率以及第二曲线特征集/>的弧度/>，来获取斜率/>数据和弧度/>数据，根据斜率/>数据以及弧度/>数据能够便于对特征曲线进行识别，从而确保稳定的对特征曲线进行分析，保证能够稳定的进行相应的预测分析。
第二曲线特征集内所需要计算的波峰和波谷数值为第一曲线特征集/>中的分割点/>数值，能够直接由第一曲线特征集/>进行分割点/>数据调用，而第一曲线特征集中计算了波动曲线中所有波峰和波谷数值，因此，第二曲线特征集/>的分割点/>能够根据第一曲线特征集/>中的分割点/>数值计算。
在一种实施例中，通过变化幅度波动曲线的分割方式对曲线分析数据库/>内的异常曲线/>进行分割并计算异常曲线/>斜率/>以及弧度/>，生成对异常曲线/>的标记，将曲线的斜率/>以及弧度/>标记在异常曲线/>中，第一曲线特征集/>中的斜率/>以及第二曲线特征集/>中的弧度/>与曲线分析数据库/>中异常曲线/>的斜率/>和弧度/>进行对比。
在本实施例中，将第一曲线特征集中的斜率/>以及第二曲线特征集/>中的弧度/>与异常曲线/>斜率/>和弧度/>进行对比，能够分析第一曲线特征集/>以及第二曲线特征集/>内是否存在与异常曲线/>一致的曲线，根据曲线的变化来进行电能质量数据/>变化幅度/>的先一步判断。
在不存在一致或类似曲线时，则电能质量数据的变化幅度/>为正常变化幅度/>，不存在异常曲线/>，因此，通过风险预测模型/>进行风险预测的次序靠后或不进行风险预测。
在一种实施例中，计算第一曲线特征集中斜率/>以及第二曲线特征集/>中弧度/>与分析数据库中异常曲线/>斜率/>和弧度/>的偏差比值，即：
其中，为斜率/>偏差比值，/>为弧度/>偏差比值，/>为第一曲线特征集/>中斜率/>数值，/>为异常曲线/>斜率/>数值，/>为第二曲线特征集/>中弧度/>数值，/>为异常曲线/>弧度/>数值。
在本实施例中，计算斜率偏差比值/>以及弧度/>偏差比值/>，能够便于第一曲线特征集/>以及第二曲线特征集/>进行斜率/>和弧度/>的对比，在进行对比时，进行数值的对比能够获取偏差比值，偏差比值越靠近1则斜率/>或弧度/>越相近。
进行对比分析时，通过对比数值能够更加迅速的进行分析，提高分析速度。
在一种实施例中，第一曲线特征集以及第二曲线特征集/>内的特征曲线进行组合，筛选出与异常曲线/>斜率/>数值以及弧度/>数值相同的特征曲线组合，生成重合曲线集/>，并标记重合曲线集/>内特征曲线的采集点/>。
在本实施例中，将出现斜率数值以及弧度/>数值相同的特征曲线生成重合曲线集/>，能够对出现重合数值的采集点/>进行标记，以便于对电力系统中出现问题的采集点/>进行处理，在出现风险问题时能够更迅速的对问题所在进行分析。
在一种实施例中，筛选与第一曲线特征集斜率/>偏差比值/>以及第二曲线特征集/>弧度/>偏差比值/>在90%以内的异常曲线/>，并标记与异常曲线/>适配的特征曲线为偏差曲线/>，获取偏差曲线/>采集点/>位置，根据采集点/>位置所对应的电能质量数据/>标记为异常状态/>，通过风险预测模型/>首先进行异常状态/>的风险预测。
在本实施例中，异常状态的设置能够便于针对电能质量数据/>的某一点位置进行风险预测，及时预测该异常状态/>所能够产生的影响，从而能够更快的计算出风险问题，而不进行异常状态/>的标记需要按照电能质量数据/>的风险预测步骤来依次进行判断，因此，减少了计算出风险所需时间。
统计定时采集节点供电频率及供电电压合格率为：
；
其中，测试期内第i次不合格的时间，/>为测试期全部时间。
通常电压合格率采用统计记录型仪表测量。
统计随机采集节点电压专项指标运行合格率为：
；
其中，随机采集节点该电压专项指标实测值不合格的次数，/>为随机采集节点总测量次数。
综上所述，本发明上述实施方式所揭露的技术方案至少具有以下优点：
1、本申请在电力系统中建立多点数据采集模型，针对影响电能质量因素的电能质量数据进行采集，并生成采集点/>之间的变化幅度/>，根据变化幅度/>的形态来对电能质量数据/>进行风险预测预处理，来分析该时间内电力系统是否存在发生风险的可能性，从而避免风险预测模型/>进行不必要的数据处理。
2、利用变化幅度来减少风险预测模型/>的数据处理量，提高风险预测的效率和实时性，节省计算资源和时间，从而能够做到及时响应，及时发现存在风险的电力系统，进而降低出现风险的概率，而依据电能质量数据/>中变化幅度/>的不同来进行优先预测，能够进一步的增加风险预测的效率。
3、通过学习模型来进行针对出现风险的电能质量数据所呈现的变化幅度/>进行学习，获取出现风险时变化幅度/>的波动位置以及状态，利用多个波动位置以及状态的不同来进行变化幅度/>的分析，从而获取到有可能造成风险的变化幅度/>，进而能够针对变化幅度/>进行进一步的筛选。
4、基于变化幅度来进行电能质量数据/>的风险预测预处理，针对电能质量数据的多种变化进行预处理，在学习模型持续性的进行学习会增加对风险预测预处理的准确性和可靠性，利用多个波动位置以及状态进行分析，能够针对不同情况进行相应的预测。
虽然结合以上实施方式公开了本发明，然而其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，可作各种的更动与润饰，因此本发明的保护范围应当以所附的权利要求所界定的为准。

Claims (10)

1.一种能够实现实时风险预测的电能质量监测系统，其特征在于，包括：
采集端，配置多个采集点分布在电力系统中，形成对电力系统中数据的采集形成电能质量数据/>，采集端用于采集电力系统的采集点/>根据在电力系统中的位置组成立体空间节点/>，采集点/>设置图像采集以及数据采集两种采集方式，采集点/>包括两种采集节点：定时采集节点以及随机采集节点；
预处理系统，通过采集节点之间的电能质量数据生成电能质量的变化幅度/>，变化幅度/>为波动曲线，并配置深度学习模型/>对出现风险的电能质量数据/>的异常曲线/>进行深度学习，深度学习模型/>提取变化幅度/>中的波动特征，对波动特征进行分析，筛选与异常曲线/>相符的变化幅度/>，获取电能质量数据/>异常状态/>；
风险预测模型，根据深度学习模型/>分析出存在异常状态/>的波动特征进行风险预测侧重点的分析，并依据风险预测侧重点对存在异常状态/>的电能质量数据/>进行风险预测。
2.根据权利要求1所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，采集端不间断对数据进行采集，采集节点所采集的数据值，非采集节点所采集的为数据变化幅度所生成的曲线，以曲线两端的采集节点数值为基础数值/>，根据两相邻采集节点时间内波动数值/>的变化绘制变化幅度/>曲线，即：
；
其中，为不同时间内波动数值/>与基础数值/>线之间的高度差，/>时，波动数值/>位于基础数值/>线上方；/>时，波动数值/>位于基础数值/>线下方；/>时，波动数值/>与基础数值/>线平行。
3.根据权利要求1所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，采集点进行数据采集为所监测数值的实时传输，即通过通讯网络来进行采集点/>所监测数据的采集，采集点/>进行图像采集基于AI分析图像中数值。
4.根据权利要求2所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，深度学习模型通过存在风险问题的电力系统中电能质量数据/>所呈现的变化幅度波动曲线建立，提取出现风险问题前变化幅度/>的波动曲线出现的异常曲线/>，采集异常曲线/>生成曲线分析数据库/>，变化幅度/>所生成的波动曲线经过深度学习模型/>提取特征并与异常曲线/>对比。
5.根据权利要求4所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，电能质量数据包括电压、频率以及谐波，变化幅度/>，波动曲线在通过深度学习模型进行特征分析，深度学习模型/>对波动曲线进行分割，变化幅度/>以波动曲线的上升或下降转折点作为分割点/>进行分割，形成第一曲线特征集/>，变化幅度/>以波动曲线的上升或下降曲线幅度中间值作为分割点/>进行分割，形成第二曲线特征集/>，上升或下降曲线幅度中间值/>通过以下公式计算：
；
其中，为波动曲线中上升或下降曲线的波峰高度，/>为波动曲线中上升或下降曲线的波谷高度，上升或下降曲线幅度中间值/>为上升或下降曲线幅度的高度中间值。
6.根据权利要求5所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，通过特征曲线的分割点以及特征曲线的形成时间对特征曲线斜率/>以及弧度/>进行计算，采集分割点/>与基础数值/>线之间的高度差，获取分割点/>数值，即/>，获取曲线特征的延伸时间，计算第一曲线特征集/>内特征曲线斜率/>；获取分割点/>数值以及波峰或波谷点高度差计算波峰和波谷数值，获取曲线特征的延伸时间，计算第二曲线特征集/>内的特征曲线弧度/>。
7.根据权利要求6所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，通过变化幅度波动曲线的分割方式对曲线分析数据库/>内的异常曲线/>进行分割并计算异常曲线/>斜率/>以及弧度/>，生成对异常曲线/>的标记，将曲线的斜率/>以及弧度/>标记在异常曲线/>中，第一曲线特征集/>中的斜率/>以及第二曲线特征集中的弧度/>与曲线分析数据库/>中异常曲线/>的斜率/>和弧度/>进行对比。
8.根据权利要求7所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，计算第一曲线特征集中斜率/>以及第二曲线特征集/>中弧度/>与分析数据库中异常曲线/>斜率/>和弧度/>的偏差比值，即：
其中，为斜率/>偏差比值，/>为弧度/>偏差比值，/>为第一曲线特征集/>中斜率/>数值，/>为异常曲线/>斜率/>数值，/>为第二曲线特征集/>中弧度/>数值，/>为异常曲线/>弧度/>数值。
9.根据权利要求8所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，第一曲线特征集以及第二曲线特征集/>内的特征曲线进行组合，筛选出与异常曲线/>斜率/>数值以及弧度/>数值相同的特征曲线组合，生成重合曲线集/>，并标记重合曲线集/>内特征曲线的采集点/>。
10.根据权利要求9所述的一种能够实现实时风险预测的电能质量监测系统，其特征在于，筛选与第一曲线特征集斜率/>偏差比值/>以及第二曲线特征集/>弧度/>偏差比值/>在90%以内的异常曲线/>，并标记与异常曲线/>适配的特征曲线为偏差曲线/>，获取偏差曲线/>采集点/>位置。
CN202311728030.XA 2023-12-15 2023-12-15 一种能够实现实时风险预测的电能质量监测系统 Active CN117408537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311728030.XA CN117408537B (zh) 2023-12-15 2023-12-15 一种能够实现实时风险预测的电能质量监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311728030.XA CN117408537B (zh) 2023-12-15 2023-12-15 一种能够实现实时风险预测的电能质量监测系统

Publications (2)

Publication Number Publication Date
CN117408537A true CN117408537A (zh) 2024-01-16
CN117408537B CN117408537B (zh) 2024-05-07

Family

ID=89487548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311728030.XA Active CN117408537B (zh) 2023-12-15 2023-12-15 一种能够实现实时风险预测的电能质量监测系统

Country Status (1)

Country Link
CN (1) CN117408537B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070213956A1 (en) * 2006-03-10 2007-09-13 Edsa Micro Corporation Systems and methods for real-time protective device evaluation in an electrical power distribution system
WO2016138750A1 (zh) * 2015-03-04 2016-09-09 江苏省电力公司常州供电公司 一种电能质量扰动源定位系统及定位方法
US20200011903A1 (en) * 2018-07-06 2020-01-09 Schneider Electric USA, Inc. Systems and methods for analyzing power quality events in an electrical system
CN112001550A (zh) * 2020-08-25 2020-11-27 杭州电力设备制造有限公司 一种变电站多点电能质量监测系统
CN112527877A (zh) * 2020-12-15 2021-03-19 深圳供电局有限公司 一种电能质量异常数据的管理方法、装置及系统
CN113779112A (zh) * 2021-09-27 2021-12-10 南京乐帆电气科技有限公司 基于空间信息和大数据映射算法的电能质量分析系统
CN114168657A (zh) * 2021-12-14 2022-03-11 中南大学 风电功率异常数据实时检测方法、系统、设备及介质
CN115175191A (zh) * 2022-06-28 2022-10-11 南京邮电大学 一种基于elm和深度森林的混合模型异常流量检测系统及方法
CN115453254A (zh) * 2022-11-11 2022-12-09 浙江万胜智能科技股份有限公司 一种基于专变采集终端的电能质量监测方法及系统
CN115580028A (zh) * 2022-11-21 2023-01-06 江苏黑马高科股份有限公司 一种用于电力管理的电能质量监测方法及系统
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
KR20230043370A (ko) * 2021-09-24 2023-03-31 주식회사 케이티 데이터 센터의 전력 품질을 관리하는 서버, 방법 및 컴퓨터 프로그램
CN116054417A (zh) * 2023-03-16 2023-05-02 山东联行智能科技有限公司 一种变电站用的监控系统及方法
CN116800199A (zh) * 2023-06-30 2023-09-22 北京恒泰实达科技股份有限公司 一种分布式光伏运行电能质量监测与分析方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070213956A1 (en) * 2006-03-10 2007-09-13 Edsa Micro Corporation Systems and methods for real-time protective device evaluation in an electrical power distribution system
WO2016138750A1 (zh) * 2015-03-04 2016-09-09 江苏省电力公司常州供电公司 一种电能质量扰动源定位系统及定位方法
US20200011903A1 (en) * 2018-07-06 2020-01-09 Schneider Electric USA, Inc. Systems and methods for analyzing power quality events in an electrical system
CN112001550A (zh) * 2020-08-25 2020-11-27 杭州电力设备制造有限公司 一种变电站多点电能质量监测系统
CN112527877A (zh) * 2020-12-15 2021-03-19 深圳供电局有限公司 一种电能质量异常数据的管理方法、装置及系统
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
KR20230043370A (ko) * 2021-09-24 2023-03-31 주식회사 케이티 데이터 센터의 전력 품질을 관리하는 서버, 방법 및 컴퓨터 프로그램
CN113779112A (zh) * 2021-09-27 2021-12-10 南京乐帆电气科技有限公司 基于空间信息和大数据映射算法的电能质量分析系统
CN114168657A (zh) * 2021-12-14 2022-03-11 中南大学 风电功率异常数据实时检测方法、系统、设备及介质
CN115175191A (zh) * 2022-06-28 2022-10-11 南京邮电大学 一种基于elm和深度森林的混合模型异常流量检测系统及方法
CN115453254A (zh) * 2022-11-11 2022-12-09 浙江万胜智能科技股份有限公司 一种基于专变采集终端的电能质量监测方法及系统
CN115580028A (zh) * 2022-11-21 2023-01-06 江苏黑马高科股份有限公司 一种用于电力管理的电能质量监测方法及系统
CN116054417A (zh) * 2023-03-16 2023-05-02 山东联行智能科技有限公司 一种变电站用的监控系统及方法
CN116800199A (zh) * 2023-06-30 2023-09-22 北京恒泰实达科技股份有限公司 一种分布式光伏运行电能质量监测与分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘海涛;韩文新;苏剑;: "电能质量在线综合监测系统", 电网技术, no. 2, 15 October 2006 (2006-10-15) *
梁振锋;祖莹;刘伟;肖凤斌;陈谦;: "基于用电信息采集数据的电能质量分析", 供用电, no. 10, 5 October 2020 (2020-10-05) *
翁国庆;龚阳光;舒俊鹏;黄飞腾;: "基于聚类LSTM深度学习模型的主动配电网电能质量预测", 高技术通讯, no. 07, 15 July 2020 (2020-07-15) *

Also Published As

Publication number Publication date
CN117408537B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN108564254B (zh) 基于大数据的配电设备状态可视化平台
CN116148679B (zh) 一种电池健康状态的预测方法及相关装置
CN112348339A (zh) 一种基于大数据分析的配电网规划方法
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN115954910B (zh) 一种基于能量优化的分布式储能控制方法及系统
CN111709554A (zh) 一种配电网净负荷联合预测的方法及系统
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN115423009A (zh) 一种面向云边协同的电力设备故障识别方法及系统
CN115865649A (zh) 一种智能运维管理控制方法、系统和存储介质
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN111385128B (zh) 突发负荷的预测方法及装置、存储介质、电子装置
CN117093952B (zh) 基于电力设备运行状态的智能控制方法及系统
CN111126445A (zh) 一种面向智能电表海量数据的多步聚合负荷预测方法
CN117408537B (zh) 一种能够实现实时风险预测的电能质量监测系统
CN117526998A (zh) 基于扩频载波通信的供电故障监测方法及系统
Hu et al. Operational reliability evaluation method based on big data technology
CN110647086B (zh) 一种基于运行大数据分析的智能运维监控系统
Hou et al. A federated learning‐based fault detection algorithm for power terminals
CN116305741A (zh) 一种用于电力设备数字孪生模型的更新方法及装置
CN115456092A (zh) 电力系统异常数据实时监测方法
CN108123436A (zh) 基于主成分分析和多元回归算法的电压越限预测模型
CN110839256B (zh) 一种蜂窝网络数据异常检测方法
Zhu et al. Morphological clustering algorithm of daily output curve of wind farm based on multi-scale and entropy weight method
Zhang et al. Fault Prediction Method for Distribution Network Outage Based on Feature Selection and Ensemble Learning
CN117439146B (zh) 充电桩的数据分析控制方法及系统

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