CN117879176A - 一种配电网全景信息可视化监测系统及方法 - Google Patents
一种配电网全景信息可视化监测系统及方法 Download PDFInfo
- Publication number
- CN117879176A CN117879176A CN202410087615.6A CN202410087615A CN117879176A CN 117879176 A CN117879176 A CN 117879176A CN 202410087615 A CN202410087615 A CN 202410087615A CN 117879176 A CN117879176 A CN 117879176A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- real
- current
- distribution network
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000009826 distribution Methods 0.000 title claims abstract description 96
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明具体涉及一种配电网全景信息可视化监测系统及方法，其系统包括历史数据采集单元，异常区段分析单元，异常因素分布计算单元，计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；区域计算单元，用于基于所述异常因素分布视图生成重点监测区域；实时数据采集单元，采集配电网全站电流、电压、功率因数的实时数据；实时分布计算单元，根据所述实时数据及所述异常因素分布视图显示实时监测视图；位置判断单元，用于根据所述实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域。
Description
技术领域
本发明属于监测领域，具体涉及一种配电网全景信息可视化监测系统及方法。
背景技术
配电网监测系统是一种用于实时监测和管理配电网的智能化系统。它集成了各种传感器、通信设备和数据处理技术，旨在提高电网的安全性、稳定性和可靠性。该系统通过安装在配电设备上的传感器，实时采集电流、电压、功率因数等关键参数的数据，并将这些数据转化为数字信号，传输给监控系统进行处理。数据经过处理、存储和分析后，形成可视化的信息展示和各类报表。但现有的配电网监测系统对于故障出现后反应较慢，并且出现故障后进行检修需要耗费大量的时间和人力。
发明内容
本发明的目的在于提供一种配电网全景信息可视化监测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种配电网全景信息可视化监测系统，包括历史数据采集单元，用于采集历史电流、电压数据；
异常区段分析单元，用于根据所述历史电流、电压数据利用数据整合标记异常区段；
异常因素确定单元，用于确定异常区段对应的异常因素；
异常因素分布计算单元，用于计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
区域计算单元，用于基于所述异常因素分布视图生成重点监测区域；
实时数据采集单元，采集配电网全站电流、电压、功率因数的实时数据；
实时分布计算单元，用于根据所述实时数据及所述异常因素分布视图显示实时监测视图；
位置判断单元，用于根据所述实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域；如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
进一步，所述区域计算单元包括：散点图生成子单元，用于将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图，封闭曲线生成子单元，用于将所述二维散点图连接成一个封闭曲线，所述封闭曲线的内部构成所述重点监测区域。
进一步，利用数据整合标记异常区段包括步骤：1. 数据收集：首先，收集配电网中的各种数据，包括电流、电压、功率、温度；2. 数据预处理：对收集到的原始数据进行必要的预处理，包括通过数据清洗去除异常值、缺失值，数据格式转换以及压缩处理；3. 数据整合：将来自不同源的数据利用数据融合算法进行整合；4. 异常检测：利用统计学方法或机器学习算法，基于历史数据检测当前数据的异常，通过比较当前数据与历史平均值、标准差来识别异常；5. 异常标记：一旦检测到异常，将其标记并记录，标记的信息包括异常的类型、发生的时间、持续时间以及影响的区段，其中，异常的类型包括电压骤降、过电流；6. 数据分析：对标记的异常利用故障定位、故障类型识别进行深入分析，以理解其原因；7. 反馈与优化：基于分析结果，对配电网的运行或维护进行必要的调整，同时，将异常数据反馈给系统，以优化未来的异常检测；8. 可视化与报告：通过用户界面，展示异常信息、分析结果，并且，定期生成报告；9. 持续更新：随着时间的推移和数据的积累，系统持续更新和优化，以应对配电网的动态变化和新的异常模式。
进一步，数据融合算法具体是将从各种源收集的数据进行整理、标准化和格式处理；然后从原始数据中提取特征，利用随机森林或k-means或SVM，将多源数据融合到一起，形成完善的数据集。
进一步，利用统计学方法来识别配电网异常，具体的，将收集到的数据，通过统计分析建立一个正常的运行模式，然后根据实际数据与正常模式的偏离程度来检测异常。
进一步，利用机器学习算法来识别配电网异常，具体的，将收集到的数据进行预处理，从预处理后的数据中提取出与配电网异常相关的特征，选择神经网络算法，利用标记好的正常和异常数据训练模型，使用测试数据对训练好的模型进行评估，将训练好的模型应用于实时数据，通过比较实时数据与模型的匹配度来判断是否存在异常情况。
一种配电网全景信息可视化监测方法，包括：
步骤1，采集历史电流、电压数据；
步骤2，根据所述历史电流、电压数据利用数据整合标记历史异常区段，并获取异常因素；
步骤3，确定每个异常区段对应的异常因素；
步骤4，计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
步骤5，基于所述异常因素分布视图生成重点监测区域；所述重点监测区域根据下述方式获得：将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图；将所述二维散点图连接成一个封闭曲线；所述封闭曲线的内部构成所述重点监测区域；
步骤6，采集配电网全站电流、电压、功率因数的实时数据；
步骤7，根据所述实时数据及所述异常因素分布视图显示实时监测视图，根据所述实时监测视图进行故障预警；
步骤8，如果实时监测视图出现故障点，根据所述实时监测视图判断当前故障点所在的位置是否处于所述重点监测区域；
步骤9，如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
有益效果
本发明配电网监测系统能够有效地利用数据整合标记历史异常区段，从而提高电网的可靠性和效率。根据实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域；如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供重要的参考决策。并且本发明通过比较历史数据、趋势预测和异常检测等技术手段，系统能够准确地判断电网中的潜在问题和故障风险，并提供相应的警告和建议，通过实时监测和故障诊断，系统可以提前发现设备的故障和异常情况，并进行相应的处理和维护。
附图说明
图1为本申请中的配电网全景信息可视化监测方法流程图；
图2为本申请中一种配电网全景信息可视化监测系统的服务器组成框图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种配电网全景信息可视化监测系统，包括：
历史数据采集单元，用于采集历史电流、电压数据；
异常区段分析单元，用于根据所述历史电流、电压数据利用数据整合标记异常区段；
异常因素确定单元，用于确定异常区段对应的异常因素；
异常因素分布计算单元，用于计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
区域计算单元，用于基于所述异常因素分布视图生成重点监测区域；
实时数据采集单元，采集配电网全站电流、电压、功率因数的实时数据；
实时分布计算单元，用于根据所述实时数据及所述异常因素分布视图显示实时监测视图；
位置判断单元，用于根据所述实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域；如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
具体的，配电网监测系统利用数据整合标记历史异常区段，包括以下步骤：1. 数据收集：首先，收集配电网中的各种数据，如电流、电压、功率、温度等。这些数据可能来自各种不同的源，如传感器、智能电表、远程终端单元（RTU）等。2. 数据预处理：对收集到的原始数据进行必要的预处理，包括数据清洗（去除异常值、缺失值等）、数据格式转换以及可能的压缩处理。3. 数据整合：将来自不同源的数据进行整合，通常涉及数据融合算法，以得到更准确、完整的信息。4.异常检测：利用统计学方法或机器学习算法，基于历史数据检测当前数据的异常。例如，通过比较当前数据与历史平均值、标准差等来识别异常。5. 异常标记：一旦检测到异常，系统会将其标记并记录。标记的信息可以包括异常的类型（如电压骤降、过电流等）、发生的时间、持续时间以及影响的区段等。6. 数据分析：对标记的异常进行深入分析，以理解其原因。这可能涉及更复杂的算法或模型，例如故障定位、故障类型识别等。7. 反馈与优化：基于分析结果，对配电网的运行或维护进行必要的调整。同时，将异常数据反馈给系统，以优化未来的异常检测。8. 可视化与报告：为了方便管理和运维，系统应提供友好的用户界面，展示异常信息、分析结果等。此外，定期或按需生成报告，供决策者参考。9. 持续更新：随着时间的推移和数据的积累，系统应持续更新和优化，以应对配电网的动态变化和新的异常模式。通过以上步骤，配电网监测系统能够有效地利用数据整合标记历史异常区段，从而提高电网的可靠性和效率。
其中，数据融合算法的具体步骤包括以下几步：1）. 数据收集：从各种源收集数据，并进行整理、标准化和格式处理。2）. 特征选择：从原始数据中提取特征，以便有效地使用融合算法。3）. 数据融合：使用流行的融合算法，如随机森林、k-means、SVM等，将多源数据融合到一起，形成更加完善的数据集。
利用统计学方法来识别配电网异常，包括以下步骤：1）. 数据收集：首先，需要收集配电网中的各种数据，如电流、电压、功率、温度等。这些数据可能来自各种不同的源，如传感器、智能电表、远程终端单元（RTU）等。2）. 建立正常模式：基于收集到的数据，通过统计分析建立一个正常的运行模式，包括正常的电流、电压、功率等范围。3）. 检测异常：一旦建立了正常模式，就可以根据实际数据与正常模式的偏离程度来检测异常。常用的统计学方法包括均值方差检测、箱形图检测等。4）. 分析异常：对于检测到的异常，需要进行深入分析，以理解其原因。这可能涉及更复杂的算法或模型，例如故障定位、故障类型识别等。5）. 反馈与优化：基于分析结果，对配电网的运行或维护进行必要的调整。同时，将异常数据反馈给系统，以优化未来的异常检测。通过以上步骤，利用统计学方法可以有效地识别配电网中的异常情况，并及时采取措施防止事故发生。
利用机器学习算法来识别配电网异常，包括以下步骤：1）. 数据收集：首先，需要收集配电网中的各种数据，如电流、电压、功率、温度等。这些数据可能来自各种不同的源，如传感器、智能电表、远程终端单元（RTU）等。2）. 数据预处理：对收集到的原始数据进行必要的预处理，包括数据清洗、缺失值处理、异常值处理等，以确保数据的质量和可用性。3）.特征提取：从预处理后的数据中提取出与配电网异常相关的特征，这些特征可以是时间序列数据、频率特征、统计特征等。4）. 模型训练：选择适合的机器学习算法，如支持向量机（SVM）、随机森林、神经网络等，利用标记好的正常和异常数据训练模型。5）. 模型评估：使用测试数据对训练好的模型进行评估，以了解模型的性能和准确率。6）. 异常检测：将训练好的模型应用于实时数据，通过比较实时数据与模型的匹配度来判断是否存在异常情况。7）. 结果分析：对于检测到的异常，需要进行深入分析，以理解其原因。这可能涉及更复杂的算法或模型，例如故障定位、故障类型识别等。8）. 反馈与优化：基于分析结果，对配电网的运行或维护进行必要的调整。同时，将异常数据反馈给系统，以优化未来的异常检测。通过以上步骤，利用机器学习算法可以有效地识别配电网中的异常情况，并及时采取措施防止事故发生。
所述区域计算单元包括：散点图生成子单元，用于将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图，封闭曲线生成子单元，用于将所述二维散点图连接成一个封闭曲线，所述封闭曲线的内部构成所述重点监测区域。
本发明还提供一种配电网全景信息可视化监测方法，包括：
步骤1，采集历史电流、电压数据；
步骤2，根据所述历史电流、电压数据利用数据整合标记历史异常区段，并获取异常因素；
步骤3，确定每个异常区段对应的异常因素；
步骤4，计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
步骤5，基于所述异常因素分布视图生成重点监测区域；所述重点监测区域根据下述方式获得：将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图；将所述二维散点图连接成一个封闭曲线；所述封闭曲线的内部构成所述重点监测区域；
步骤6，采集配电网全站电流、电压、功率因数的实时数据；
步骤7，根据所述实时数据及所述异常因素分布视图显示实时监测视图，根据所述实时监测视图进行故障预警；
步骤8，如果实时监测视图出现故障点，根据所述实时监测视图判断当前故障点所在的位置是否处于所述重点监测区域；
步骤9，如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
本发明配电网监测系统能够有效地利用数据整合标记历史异常区段，从而提高电网的可靠性和效率。根据实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域；如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供重要的参考决策。并且本发明通过比较历史数据、趋势预测和异常检测等技术手段，系统能够准确地判断电网中的潜在问题和故障风险，并提供相应的警告和建议，通过实时监测和故障诊断，系统可以提前发现设备的故障和异常情况，并进行相应的处理和维护。
本申请实施例还提供了一种计算机设备，可以包括终端设备或服务器，前述的配电网全景信息可视化监测方法的数据计算程序可以配置在该计算机设备中。下面对该计算机设备进行介绍。
若该计算机设备为终端设备，本申请实施例提供了一种终端设备，以终端设备为手机为例：
手机包括：射频(RadioFrequency，简称RF)电路、存储器、输入单元、显示单元、传感器、音频电路、无线保真(WirelessFidelity，简称WiFi)模块、处理器、以及电源等部件。
RF电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(LowNoiseAmplifier，简称LNA)、双工器等。此外，RF电路还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystemofMobilecommunication，简称GSM)、通用分组无线服务(GeneralPacketRadioService，简称GPRS)、码分多址(CodeDivisionMultipleAccess，简称CDMA)、宽带码分多址(WidebandCodeDivisionMultipleAccess，简称WCDMA)、长期演进(LongTermEvolution，简称LTE)、电子邮件、短消息服务(ShortMessagingService，简称SMS)等。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储按照手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输 入。具体地，输入单元可包括触控面板以及其他输入设备。触控面板，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并按照预先设定的程式驱动相应的连接装置。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板，输入单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元可包括显示面板，可选的，可以采用液晶显示器(LiquidCrystalDisplay，简称LCD)、有机发光二极管(OrganicLight-EmittingDiode，简称OLED)等形式来配置显示面板。进一步的，触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类型，随后处理器按照触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图中，触控面板与显示面板是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板与显示面板集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可按照环境光线的明暗来配置显示面板的亮度，接近传感器可在手机移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路、扬声器，传声器可提供用户与手机之间的音频接口。音频电路可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路接收后转换为音频数据，再将音频数据输出处理器处理后，经RF电路以发送给比如另一手机，或者将音频数据输出至存储器以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图示出了WiFi模块，但是可以理解的是，其并不属于手机的必须构成，完全可以按照需要在不改变发明的本质的范围内而省略。
处理器是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
手机还包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理系统与处理器逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本实施例中，该终端设备所包括的处理器还具有以下功能：
执行配电网全景信息可视化监测方法的数据计算程序。
若计算机设备为服务器，本申请实施例还提供一种服务器，如图2，服务器可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(CentralProcessingUnits，简称CPU)(例如，一个或一个以上处理器)和存储器，一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器可以设置为与存储介质通信，在服务器上执行存储介质中的一系列指令操作。
服务器还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口，一个或一个以上输入输出接口，和/或，一个或一个以上操作系统，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM等等。
另外，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：Read-onlyMemory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
所以本申请还公开一种配电网全景信息可视化监测系统，包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述配电网全景信息可视化监测方法。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种配电网全景信息可视化监测系统，其特征在于，包括历史数据采集单元，用于采集历史电流、电压数据；异常区段分析单元，用于根据所述历史电流、电压数据利用数据整合标记异常区段；异常因素确定单元，用于确定异常区段对应的异常因素；
异常因素分布计算单元，用于计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
区域计算单元，用于基于所述异常因素分布视图生成重点监测区域；
实时数据采集单元，采集配电网全站电流、电压、功率因数的实时数据；
实时分布计算单元，用于根据所述实时数据及所述异常因素分布视图显示实时监测视图；
位置判断单元，用于根据所述实时监测视图进行故障预警，如果实时监测视图出现故障点，判断当前故障点所在的位置是否处于所述重点监测区域；如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
2.根据权利要求1所述的一种配电网全景信息可视化监测系统，其特征在于，所述区域计算单元包括：散点图生成子单元，用于将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图，封闭曲线生成子单元，用于将所述二维散点图连接成一个封闭曲线，所述封闭曲线的内部构成所述重点监测区域。
3.根据权利要求1所述的一种配电网全景信息可视化监测系统，其特征在于，利用数据整合标记异常区段包括步骤：1. 数据收集：首先，收集配电网中的各种数据，包括电流、电压、功率、温度；2. 数据预处理：对收集到的原始数据进行必要的预处理，包括通过数据清洗去除异常值、缺失值，数据格式转换以及压缩处理；3. 数据整合：将来自不同源的数据利用数据融合算法进行整合；4. 异常检测：利用统计学方法或机器学习算法，基于历史数据检测当前数据的异常，通过比较当前数据与历史平均值、标准差来识别异常；5. 异常标记：一旦检测到异常，将其标记并记录，标记的信息包括异常的类型、发生的时间、持续时间以及影响的区段，其中，异常的类型包括电压骤降、过电流；6. 数据分析：对标记的异常利用故障定位、故障类型识别进行深入分析，以理解其原因；7. 反馈与优化：基于分析结果，对配电网的运行或维护进行必要的调整，同时，将异常数据反馈给系统，以优化未来的异常检测；8. 可视化与报告：通过用户界面，展示异常信息、分析结果，并且，定期生成报告；9. 持续更新：随着时间的推移和数据的积累，系统持续更新和优化，以应对配电网的动态变化和新的异常模式。
4.根据权利要求3所述的一种配电网全景信息可视化监测系统，其特征在于，数据融合算法具体是将从各种源收集的数据进行整理、标准化和格式处理；然后从原始数据中提取特征，利用随机森林或k-means或SVM，将多源数据融合到一起，形成完善的数据集。
5.根据权利要求3所述的一种配电网全景信息可视化监测系统，其特征在于，利用统计学方法来识别配电网异常，具体的，将收集到的数据，通过统计分析建立一个正常的运行模式，然后根据实际数据与正常模式的偏离程度来检测异常。
6.根据权利要求3所述的一种配电网全景信息可视化监测系统，其特征在于，利用机器学习算法来识别配电网异常，具体的，将收集到的数据进行预处理，从预处理后的数据中提取出与配电网异常相关的特征，选择神经网络算法，利用标记好的正常和异常数据训练模型，使用测试数据对训练好的模型进行评估，将训练好的模型应用于实时数据，通过比较实时数据与模型的匹配度来判断是否存在异常情 况。
7.一种配电网全景信息可视化监测方法，其特征在于，包括：
步骤1，采集历史电流、电压数据；
步骤2，根据所述历史电流、电压数据利用数据整合标记历史异常区段，并获取异常因素；
步骤3，确定每个异常区段对应的异常因素；
步骤4，计算异常区段正常运行状态下的电流、电压数据与异常运行状态下的电流、电压数据的方差值，根据方差值对异常区段进行排序，从而得到相对应的异常因素分布视图；
步骤5，基于所述异常因素分布视图生成重点监测区域；所述重点监测区域根据下述方式获得：将所述异常因素分布视图中的相邻的两组异常因素分布在二维坐标系中表示成二维散点图；将所述二维散点图连接成一个封闭曲线；所述封闭曲线的内部构成所述重点监测区域；
步骤6，采集配电网全站电流、电压、功率因数的实时数据；
步骤7，根据所述实时数据及所述异常因素分布视图显示实时监测视图，根据所述实时监测视图进行故障预警；
步骤8，如果实时监测视图出现故障点，根据所述实时监测视图判断当前故障点所在的位置是否处于所述重点监测区域；
步骤9，如果当前故障点所在的位置处于所述重点监测区域之内，则显示该区段的历史异常因素，如果当前故障点所在的位置处于所述重点监测区域之外，则显示该区段临近的且位于重点监测区域内异常因素，为修理故障点提供参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410087615.6A CN117879176A (zh) | 2024-01-22 | 2024-01-22 | 一种配电网全景信息可视化监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410087615.6A CN117879176A (zh) | 2024-01-22 | 2024-01-22 | 一种配电网全景信息可视化监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117879176A true CN117879176A (zh) | 2024-04-12 |
Family
ID=90596703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410087615.6A Pending CN117879176A (zh) | 2024-01-22 | 2024-01-22 | 一种配电网全景信息可视化监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117879176A (zh) |
-
2024
- 2024-01-22 CN CN202410087615.6A patent/CN117879176A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598802B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
| CN108124132A (zh) | 一种安全监控方法和装置 | |
| CN112050970A (zh) | 环境监测方法及装置 | |
| US11422527B2 (en) | Automatic inspection system | |
| CN116112341B (zh) | 网络设备的检测方法、装置、电子设备及存储介质 | |
| CN108900386A (zh) | 告警信息的产生方法、装置及电子设备 | |
| CN111913848A (zh) | 一种数据监测分析方法及相关设备 | |
| CN110022235B (zh) | 信息处理方法、终端和服务器 | |
| CN104715568A (zh) | 用于家庭环境监控的大数据系统及方法 | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
| CN112859136B (zh) | 一种定位方法和相关装置 | |
| CN112256748B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN117879176A (zh) | 一种配电网全景信息可视化监测系统及方法 | |
| KR101728557B1 (ko) | 센서 네트워크 관리 시스템 및 방법 | |
| CN116050930A (zh) | 监盘系统、方法、存储介质及电子设备 | |
| CN115899991A (zh) | 空调运行控制方法、装置、电子设备及存储介质 | |
| CN111818548B (zh) | 一种数据的处理方法、装置及设备 | |
| CN112398219A (zh) | 电厂智能监盘方法、系统及电子设备 | |
| CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 | |
| CN112711516A (zh) | 一种数据处理方法和相关装置 | |
| CN116303630A (zh) | 自动选材方法、计算机以及存储介质 | |
| CN112598025A (zh) | 电力设备目标信息的处理方法、装置、设备和介质 | |
| CN117407774B (zh) | 一种基于人工智能的交通数据处理方法及系统 | |
| CN117692898B (zh) | 具有风险自动识别的监督预警方法及系统 |
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 |