CN117970061A - 一种高压电力电容器故障预警方法及系统 - Google Patents
一种高压电力电容器故障预警方法及系统 Download PDFInfo
- Publication number
- CN117970061A CN117970061A CN202410390582.2A CN202410390582A CN117970061A CN 117970061 A CN117970061 A CN 117970061A CN 202410390582 A CN202410390582 A CN 202410390582A CN 117970061 A CN117970061 A CN 117970061A
- Authority
- CN
- China
- Prior art keywords
- current data
- early warning
- rate
- individual
- father
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 83
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 235000012571 Ficus glomerata Nutrition 0.000 description 2
- 244000153665 Ficus glomerata Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明涉及数据处理技术领域，提出了一种高压电力电容器故障预警方法及系统，包括：采集电力电容器的若干电流数据；对电流数据通过层次聚类得到层次聚类树；根据每个电流数据及相邻时刻的电流数据所属父节点在层次聚类树中的分布及变化，获取每个电流数据的初始预警率；根据每个电流数据所属父节点与同层其他父节点的差异，以及所属父节点中其他电流数据，结合初始预警率，得到每个电流数据的综合预警率；根据综合预警率对电力电容器的电流数据进行故障预警。本发明旨在解决直接进行异常数据检测容易受到环境干扰及测量误差影响导致预警效果较差的问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种高压电力电容器故障预警方法及系统。
背景技术
电容器在正常使用过程中，如果没有外部电路连接，是不会产生放电现象的。然而在某些情况下，如电容器内部存在缺陷、老化或损坏，或者电容器与外部电路存在故障，可能会导致局部放电现象的发生。局部放电是电容器故障的表现之一，通常表现为电容器某个局部区域的间歇性放电；这种放电现象以短暂的脉冲或闪光的形式出现，伴随着局部高温和声音的产生。在局部放电发生时，可以通过检测电容器上的电流或电压变化来察觉到它的存在。
通过局部放电进行电力电容器的故障预警时，通常基于固定阈值进行异常数据的检测，然而局部放电现象为短暂的脉冲及闪光，因此具有随机性及时间不连续性，直接检测异常数据容易受到外界因素，例如环境干扰及测量误差的影响，因此需要进行时序上异常数据的变化分析，进而保证局部放电现象的故障预警不会受到环境因素干扰。
发明内容
本发明提供一种高压电力电容器故障预警方法及系统，以解决现有的直接进行异常数据检测容易受到环境干扰及测量误差影响导致预警效果较差的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种高压电力电容器故障预警方法，该方法包括以下步骤：
采集电力电容器的若干电流数据；
对电流数据通过层次聚类得到层次聚类树，所述层次聚类树中每层包含若干父节点，所述父节点中包含若干电流数据；
根据每个电流数据及相邻时刻的电流数据所属父节点在层次聚类树中的分布及变化，获取每个电流数据的初始预警率；根据每个电流数据所属父节点与同层其他父节点的差异，以及所属父节点中其他电流数据，结合初始预警率，得到每个电流数据的综合预警率；
根据综合预警率对电力电容器的电流数据进行故障预警。
可选的，所述每个电流数据的初始预警率，具体的获取方法为：
根据每个电流数据所属父节点在层次聚类树中的变化，获取每个电流数据的层次变化率；
对于第个电流数据，根据预设的邻域大小及相邻时刻的电流数据，得到第/>个电流数据的邻域范围；根据每个电流数据的邻域范围内电流数据的时刻、层次变化率及第一父节点的分布，得到每个电流数据的初始预警率。
可选的，所述每个电流数据的层次变化率，具体的获取方法为：
对于任意一个电流数据，将该电流数据在层次聚类树中第一次被划分到的父节点记为该电流数据的第一父节点，从下往上对该电流数据在各层所属的父节点依次遍历并以此类推，直到该电流数据在层次聚类树中第一层所属的父节点，得到该电流数据的若干父节点及父节点的顺序；对于该电流数据的任意一个父节点，计算该父节点中所有电流数据的方差，将该电流数据的所有父节点的方差按照对应父节点的顺序进行排列，得到的序列记为该电流数据的方差变化序列；
以方差变化序列中元素的次序值为横坐标，方差值为纵坐标构建二维坐标系，将方差变化序列中每个元素转换为坐标系中的坐标点；通过对方差变化序列中元素对应的坐标点计算斜率，获取所有坐标点斜率的均值的反正切值，记为该电流数据的层次变化方向，若层次变化方向小于或等于，将该电流数据的层次变化率设置为0；若层次变化方向大于，将层次变化方向与/>的比值作为该电流数据的层次变化率。
可选的，所述根据每个电流数据的邻域范围内电流数据的时刻、层次变化率及第一父节点的分布，得到每个电流数据的初始预警率，包括的具体方法为：
获取第个电流数据的邻域范围内每个电流数据与第/>个电流数据的时刻之间的差值绝对值，记为所述邻域范围内每个电流数据与第/>个电流数据的时间差异；对所有时间差异进行归一化，得到的结果作为所述邻域范围内每个电流数据的时序差异；对1分别减去每个时序差异得到的差值进行归一化，得到的结果作为所述邻域范围内每个电流数据的时序权重；
根据电流数据的邻域范围内电流数据的层次变化率，获取每个电流数据的邻域范围内每个电流数据的层次变化系数；结合时序权重及第一父节点的分布，得到每个电流数据的初始预警率。
可选的，所述每个电流数据的邻域范围内每个电流数据的层次变化系数，具体的获取方法为：
其中，表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化系数，/>表示第/>个电流数据的层次变化率，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化率。
可选的，所述得到每个电流数据的初始预警率，包括的具体方法为：
其中，表示第/>个电流数据的初始预警率，/>表示第/>个电流数据的邻域范围内电流数据的数量，/>表示第/>个电流数据的邻域范围内第/>个电流数据的时序权重，/>表示层次聚类树的总层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据的第一父节点在层次聚类树中的层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化系数。
可选的，所述得到每个电流数据的综合预警率，包括的具体方法为：
根据电流数据的父节点与同层其他父节点中的电流数据，得到每个电流数据的每个父节点的中心差异；第个电流数据的综合预警率的计算方法为：
其中，表示第/>个电流数据的综合预警系数，/>表示第/>个电流数据的初始预警率，/>表示第/>个电流数据的第一父节点中电流数据的数量，/>表示第/>个电流数据对应的时刻，/>表示第/>个电流数据的第一父节点中除第/>个电流数据之外其他第/>个电流数据的对应的时刻，/>表示第/>个电流数据的父节点的数量，/>表示电流数据的父节点的顺序值，/>表示第/>个电流数据的第/>父节点的中心差异，/>表示第/>个电流数据的第/>父节点的顺序权重，所述顺序权重的获取方法为：对第/>个电流数据的所有父节点的顺序值进行归一化，得到的结果作为第/>个电流数据的每个父节点的顺序权重；/>表示求绝对值；
获取每个电流数据的综合预警系数，对所有综合预警系数进行线性归一化，得到的结果记为每个电流数据的综合预警率。
可选的，所述得到每个电流数据的每个父节点的中心差异，包括的具体方法为：
对于第个电流数据的任意一个父节点记为目标父节点，将目标父节点在层次聚类树中的层数记为目标层，获取目标层中每个父节点的中心点，获取任意两个父节点的中心点之间的差值绝对值，记为该两个父节点的中心距离；将目标父节点对应的所有中心距离的和值，记为目标父节点的中心参数，将中心参数与目标层得到的所有中心距离的和值的比值，记为目标父节点的中心差异。
可选的，所述根据综合预警率对电力电容器的电流数据进行故障预警，包括的具体方法为：
预设一个预警阈值，若最近一个时刻的电流数据的综合预警率大于预警阈值，最近一个时刻的电流数据异常，需要进行故障预警。
第二方面，本发明另一个实施例提供了一种高压电力电容器故障预警系统，该系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是：本发明通过对大量电流数据进行层次聚类并构建层次聚类树，基于相邻时刻的电流数据，结合电流数据所属父节点中其他电流数据进行预警分析，提高局部放电现象下时间不连续性识别的准确性，进而使得电力电容器的故障预警更加准确；其中通过构建层次聚类树，通过电流数据相邻时刻的电流数据所属父节点在层次聚类树中的分布及变化来量化初始预警率，使得初始预警率能够初步反映局部放电下异常电流数据的时间不连续性；再基于尺度变化即层数减小导致父节点中电流数据越来越多的情况下，父节点的中心差异进一步对初始预警率进行计算，最终得到综合预警率，使得综合预警率反映局部放电现象的随机性及时间不连续性，进而提高局部放电预警的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种高压电力电容器故障预警方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
请参阅图1，其示出了本发明一个实施例所提供的一种高压电力电容器故障预警方法流程图，该方法包括以下步骤：
步骤S001、采集电力电容器的若干电流数据。
本实施例的目的是对电力电容器进行局部放电现象的检测，进而实现电力电容器的故障预警，而电力电容器发生局部放电现象时，会导致其上电流及电压发生变化，本实施例通过电流数据的分析来进行电力电容器的局部放电检测。
具体的，在电力电容器上安装电流传感器，通过电流传感器对电力电容器开始工作到当前时刻进行电流数据采集，采样时间间隔设置为1秒，则得到若干电流数据。
步骤S002、对电流数据通过层次聚类得到层次聚类树；根据每个电流数据在层次聚类树中不同层所属的父节点，获取每个电流数据的层次变化率。
优选的，在本发明一个实施例中，对电流数据通过层次聚类得到层次聚类树，包括的具体方法为：
对所有电流数据进行层次聚类，本实施例采用自下向上的聚类方法对电流数据进行层次聚类，得到的层次聚类树中最上层为第一层，距离度量采用电流数据之间的差值绝对值，则得到层次聚类树，层次聚类树中每层包含若干父节点，每个父节点中包含若干电流数据，父节点即为电流数据在该层中所属的类别。
优选的，在本发明一个实施例中，根据每个电流数据在层次聚类树中每层所属的父节点，获取每个电流数据的层次变化率，包括的具体方法为：
对于任意一个电流数据，将该电流数据在层次聚类树中第一次被划分到的父节点记为该电流数据的第一父节点，从下往上对该电流数据在各层所属的父节点依次遍历并以此类推，直到该电流数据在层次聚类树中第一层所属的父节点，得到该电流数据的若干父节点及父节点的顺序；需要说明的是，由于是层次聚类，电流数据的第一父节点不一定出现在层次聚类树中最下面一层；对于该电流数据的任意一个父节点，计算该父节点中所有电流数据的方差，将该电流数据的所有父节点的方差按照对应父节点的顺序进行排列，得到的序列记为该电流数据的方差变化序列。
进一步的，以方差变化序列中元素的次序值为横坐标，方差值为纵坐标构建二维坐标系，将方差变化序列中每个元素转换为坐标系中的坐标点；将所有坐标点作为PCA算法的输入，PCA算法即为主成分分析算法，输出得到若干二维向量及每个二维向量对应的投影值，二维向量实际即为一个投影方向；将最大投影值对应的二维向量对应的投影方向，与水平右向的夹角，作为该电流数据的层次变化方向，层次变化方向的值域为，若层次变化方向小于或等于/>，则将该电流数据的层次变化率设置为0；若层次变化方向大于，将层次变化方向与/>的比值作为该电流数据的层次变化率；按照上述方法获取每个电流数据的层次变化率。
所需说明的是，由于对电流数据进行层次聚类且自下向上进行聚类，同时局部放电下的电流数据的随机性较大，则电流数据在聚类的过程中，随着层数变化所属父节点中电流数据的方差越大，即越来越多的异常电流数据被聚类到父节点中，父节点为异常电流数据聚集的类别的可能性越大，而通过分析方差变化序列的最大投影方向，用以反映方差变化趋势，方差变化趋势越大，则电流数据的异常可能性越大，则层次变化率应越大。
可选的，在其他实施例中，按照上述方法对任意一个电流数据获取方差变化序列，通过对方差变化序列中元素对应的坐标点计算斜率（其中第一个坐标点不进行斜率计算），获取所有坐标点斜率的均值的反正切值，记为该电流数据的层次变化方向，若层次变化方向小于或等于，则将该电流数据的层次变化率设置为0；若层次变化方向大于/>，将层次变化方向与/>的比值作为该电流数据的层次变化率。
至此，通过构建层次聚类树，基于电流数据在层次聚类树中划分的父节点进行层次变化率的量化，层次变化率能够反映电流数据被划分到异常电流数据类别的趋势，进而反映电流数据发生异常的可能性。
步骤S003、根据每个电流数据及相邻时刻的电流数据的层次变化率，以及所属父节点在层次聚类树中的分布，获取每个电流数据的初始预警率；根据每个电流数据所属父节点与同层其他父节点的差异，以及所属父节点中其他电流数据，结合初始预警率，得到每个电流数据的综合预警率。
优选的，在本发明一个实施例中，根据每个电流数据及相邻时刻的电流数据的层次变化率，以及所属父节点在层次聚类树中的分布，获取每个电流数据的初始预警率，包括的具体方法为：
对于第个电流数据，预设一个邻域大小，本实施例邻域大小采用4进行叙述，将第个电流数据时序上左侧4个电流数据及右侧4个电流数据，构成第/>个电流数据的邻域范围；特别说明的是，若电流数据靠近采集的所有电流数据的时序边界导致无法完整获取邻域范围，即为前四个电流数据或后四个电流数据，则以实际能获取到的电流数据构成邻域范围；获取邻域范围内每个电流数据与第/>个电流数据的时刻之间的差值绝对值，记为邻域范围内每个电流数据与第/>个电流数据的时间差异；对所有时间差异进行softmax归一化，得到的结果作为邻域范围内每个电流数据的时序差异；对1分别减去每个时序差异得到的差值进行softmax归一化，得到的结果作为邻域范围内每个电流数据的时序权重。
所需说明的是，邻域范围内与第个电流数据的时间差异越小的电流数据，其对于第/>个电流数据的参考性越大，则时序权重越大。
进一步的，第个电流数据的初始预警率/>的计算方法为：
其中，表示第/>个电流数据的邻域范围内电流数据的数量，/>表示第/>个电流数据的邻域范围内第/>个电流数据的时序权重，/>表示层次聚类树的总层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据第一父节点在层次聚类树中的层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化系数，/>表示第/>个电流数据的层次变化率，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化率；按照上述方法获取每个电流数据的初始预警率。
所需说明的是，通过电流数据与其邻域范围内其他电流数据的层次变化率的差异，层次变化率的差异越大，该电流数据相较于相邻时刻电流数据发生异常的可能性越大，越需要预警，初始预警率越大；同时通过邻域范围内电流数据的第一父节点的层数及时序权重来进行调整，层数越大，其他电流数据越早被划分到对应的第一父节点中，越符合局部放电呈现的短暂脉冲及闪光形式导致相邻时刻的电流数据的异常性更小，即发生异常的电流数据的时间连续性较弱，进而该电流数据越需要预警，结合时序权重得到初始预警率。
优选的，在本发明一个实施例中，根据每个电流数据所属父节点与同层其他父节点的差异，以及所属父节点中其他电流数据，结合初始预警率，得到每个电流数据的综合预警率，包括的具体方法为：
对于第个电流数据的任意一个父节点记为目标父节点，将目标父节点在层次聚类树中的层数记为目标层，获取目标层中每个父节点的中心点，获取任意两个父节点的中心点之间的差值绝对值，记为该两个父节点的中心距离；将目标父节点对应的所有中心距离的和值，记为目标父节点的中心参数，将中心参数与目标层得到的所有中心距离的和值的比值，记为目标父节点的中心差异；按照上述方法获取第/>个电流数据的每个父节点的中心差异。
所需说明的是，通过对电流数据的父节点计算与同层其他父节点的差异，反映较大尺度下即父节点中包含较多电流数据的情况下，父节点为异常放电类别的可能性，为后续综合预警率的获取提供基础；父节点包含较多电流数据的同时，与其他父节点的中心差异越大，对应类别之间差异越大，包含的电流数据发生异常的可能性越大。
进一步的，第个电流数据的综合预警率的计算方法为：
其中，表示第/>个电流数据的综合预警系数，/>表示第/>个电流数据的初始预警率，/>表示第/>个电流数据的第一父节点中电流数据的数量，/>表示第/>个电流数据对应的时刻，/>表示第/>个电流数据的第一父节点中除第/>个电流数据之外其他第/>个电流数据的对应的时刻，/>表示第/>个电流数据的父节点的数量，/>表示电流数据的父节点的顺序值，/>表示第/>个电流数据的第/>父节点的中心差异，/>表示第/>个电流数据的第/>父节点的顺序权重，其中顺序权重的获取方法为：对第/>个电流数据的所有父节点的顺序值进行softmax归一化，得到的结果作为第/>个电流数据的每个父节点的顺序权重；/>表示求绝对值；按照上述方法获取每个电流数据的综合预警系数，对所有综合预警系数进行线性归一化，得到的结果记为每个电流数据的综合预警率。
所需说明的是，通过电流数据的各父节点的中心差异、电流数据的第一父节点中与其他电流数据之间的时间差异，结合初始预警率进行综合预警率的获取；父节点的顺序值越大，同时中心差异越大，则越大尺度上体现电流数据处于一个异常电流数据聚集的类别中，则越需要对电流数据进行预警；而第一父节点中该电流数据与其他电流数据的时间差异越大，则越符合局部放电下电流数据的时间不连续性，越需要进行预警；以此来对初始预警率进行进一步计算，得到准确的综合预警率。
至此，通过电流数据相邻时刻的电流数据的层次变化率差异来量化初始预警率，使得初始预警率能够初步反映局部放电下异常电流数据的时间不连续性；再基于尺度变化即层数减小导致父节点中电流数据越来越多的情况下，父节点的中心差异进一步对初始预警率进行计算，最终得到综合预警率，使得综合预警率反映局部放电现象的随机性及时间不连续性，进而提高局部放电预警的准确性。
步骤S004、根据综合预警率对电力电容器的电流数据进行故障预警。
优选的，在本发明一个实施例中，根据综合预警率对电力电容器的电流数据进行局部放电检测，并进行故障预警，包括的具体方法为：
在获取到每个电流数据的综合预警率后，预设一个预警阈值，本实施例预警阈值采用0.7进行叙述，若电流数据的综合预警率大于预警阈值，则该电流数据对应时刻产生局部放电现象；若最近一个时刻的电流数据发生局部放电现象，则电力电容器可能发生故障，需要及时进行故障预警。
需要说明的是，由于综合预警率均基于层次聚类树获取，则在获取到新的电流数据后，可以直接根据新的电流数据在层次聚类树中的聚类情况，得到对应的综合预警率，进而实现故障预警。
至此，通过对大量电流数据进行层次聚类并构建层次聚类树，并基于相邻时刻的电流数据，结合电流数据所属父节点中其他电流数据进行预警分析，提高局部放电现象下时间不连续性识别的准确性，进而使得电力电容器的故障预警更加准确。
本发明另一个实施例提供了一种高压电力电容器故障预警系统，该系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法步骤S001到步骤S004。
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 (10)
1.一种高压电力电容器故障预警方法，其特征在于，该方法包括以下步骤：
采集电力电容器的若干电流数据；
对电流数据通过层次聚类得到层次聚类树，所述层次聚类树中每层包含若干父节点，所述父节点中包含若干电流数据；
根据每个电流数据及相邻时刻的电流数据所属父节点在层次聚类树中的分布及变化，获取每个电流数据的初始预警率；根据每个电流数据所属父节点与同层其他父节点的差异，以及所属父节点中其他电流数据，结合初始预警率，得到每个电流数据的综合预警率；
根据综合预警率对电力电容器的电流数据进行故障预警。
2.根据权利要求1所述的一种高压电力电容器故障预警方法，其特征在于，所述每个电流数据的初始预警率，具体的获取方法为：
根据每个电流数据所属父节点在层次聚类树中的变化，获取每个电流数据的层次变化率；
对于第个电流数据，根据预设的邻域大小及相邻时刻的电流数据，得到第/>个电流数据的邻域范围；根据每个电流数据的邻域范围内电流数据的时刻、层次变化率及第一父节点的分布，得到每个电流数据的初始预警率。
3.根据权利要求2所述的一种高压电力电容器故障预警方法，其特征在于，所述每个电流数据的层次变化率，具体的获取方法为：
对于任意一个电流数据，将该电流数据在层次聚类树中第一次被划分到的父节点记为该电流数据的第一父节点，从下往上对该电流数据在各层所属的父节点依次遍历并以此类推，直到该电流数据在层次聚类树中第一层所属的父节点，得到该电流数据的若干父节点及父节点的顺序；对于该电流数据的任意一个父节点，计算该父节点中所有电流数据的方差，将该电流数据的所有父节点的方差按照对应父节点的顺序进行排列，得到的序列记为该电流数据的方差变化序列；
以方差变化序列中元素的次序值为横坐标，方差值为纵坐标构建二维坐标系，将方差变化序列中每个元素转换为坐标系中的坐标点；通过对方差变化序列中元素对应的坐标点计算斜率，获取所有坐标点斜率的均值的反正切值，记为该电流数据的层次变化方向，若层次变化方向小于或等于，将该电流数据的层次变化率设置为0；若层次变化方向大于/>，将层次变化方向与/>的比值作为该电流数据的层次变化率。
4.根据权利要求2所述的一种高压电力电容器故障预警方法，其特征在于，所述根据每个电流数据的邻域范围内电流数据的时刻、层次变化率及第一父节点的分布，得到每个电流数据的初始预警率，包括的具体方法为：
获取第个电流数据的邻域范围内每个电流数据与第/>个电流数据的时刻之间的差值绝对值，记为所述邻域范围内每个电流数据与第/>个电流数据的时间差异；对所有时间差异进行归一化，得到的结果作为所述邻域范围内每个电流数据的时序差异；对1分别减去每个时序差异得到的差值进行归一化，得到的结果作为所述邻域范围内每个电流数据的时序权重；
根据电流数据的邻域范围内电流数据的层次变化率，获取每个电流数据的邻域范围内每个电流数据的层次变化系数；结合时序权重及第一父节点的分布，得到每个电流数据的初始预警率。
5.根据权利要求4所述的一种高压电力电容器故障预警方法，其特征在于，所述每个电流数据的邻域范围内每个电流数据的层次变化系数，具体的获取方法为：
其中，表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化系数，/>表示第/>个电流数据的层次变化率，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化率。
6.根据权利要求4所述的一种高压电力电容器故障预警方法，其特征在于，所述得到每个电流数据的初始预警率，包括的具体方法为：
其中，表示第/>个电流数据的初始预警率，/>表示第/>个电流数据的邻域范围内电流数据的数量，/>表示第/>个电流数据的邻域范围内第/>个电流数据的时序权重，/>表示层次聚类树的总层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据的第一父节点在层次聚类树中的层数，/>表示第/>个电流数据的邻域范围内第/>个电流数据的层次变化系数。
7.根据权利要求1所述的一种高压电力电容器故障预警方法，其特征在于，所述得到每个电流数据的综合预警率，包括的具体方法为：
根据电流数据的父节点与同层其他父节点中的电流数据，得到每个电流数据的每个父节点的中心差异；第个电流数据的综合预警率的计算方法为：
其中，表示第/>个电流数据的综合预警系数，/>表示第/>个电流数据的初始预警率，/>表示第/>个电流数据的第一父节点中电流数据的数量，/>表示第/>个电流数据对应的时刻，/>表示第/>个电流数据的第一父节点中除第/>个电流数据之外其他第/>个电流数据的对应的时刻，/>表示第/>个电流数据的父节点的数量，/>表示电流数据的父节点的顺序值，/>表示第/>个电流数据的第/>父节点的中心差异，/>表示第/>个电流数据的第/>父节点的顺序权重，所述顺序权重的获取方法为：对第/>个电流数据的所有父节点的顺序值进行归一化，得到的结果作为第/>个电流数据的每个父节点的顺序权重；/>表示求绝对值；
获取每个电流数据的综合预警系数，对所有综合预警系数进行线性归一化，得到的结果记为每个电流数据的综合预警率。
8.根据权利要求7所述的一种高压电力电容器故障预警方法，其特征在于，所述得到每个电流数据的每个父节点的中心差异，包括的具体方法为：
对于第个电流数据的任意一个父节点记为目标父节点，将目标父节点在层次聚类树中的层数记为目标层，获取目标层中每个父节点的中心点，获取任意两个父节点的中心点之间的差值绝对值，记为该两个父节点的中心距离；将目标父节点对应的所有中心距离的和值，记为目标父节点的中心参数，将中心参数与目标层得到的所有中心距离的和值的比值，记为目标父节点的中心差异。
9.根据权利要求1所述的一种高压电力电容器故障预警方法，其特征在于，所述根据综合预警率对电力电容器的电流数据进行故障预警，包括的具体方法为：
预设一个预警阈值，若最近一个时刻的电流数据的综合预警率大于预警阈值，最近一个时刻的电流数据异常，需要进行故障预警。
10.一种高压电力电容器故障预警系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种高压电力电容器故障预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390582.2A CN117970061B (zh) | 2024-04-02 | 2024-04-02 | 一种高压电力电容器故障预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390582.2A CN117970061B (zh) | 2024-04-02 | 2024-04-02 | 一种高压电力电容器故障预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117970061A true CN117970061A (zh) | 2024-05-03 |
| CN117970061B CN117970061B (zh) | 2024-06-11 |
Family
ID=90848158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410390582.2A Active CN117970061B (zh) | 2024-04-02 | 2024-04-02 | 一种高压电力电容器故障预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970061B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
| CN108521346A (zh) * | 2018-04-07 | 2018-09-11 | 中南大学 | 一种基于终端数据的电信承载网异常节点定位方法 |
| CN110196380A (zh) * | 2019-06-25 | 2019-09-03 | 安徽中祺智能电器股份有限公司 | 一种用于配电电缆局部放电的带电检测方法 |
| CN111983382A (zh) * | 2020-08-11 | 2020-11-24 | 广州番禺电缆集团有限公司 | 一种基于多节点的智能电缆监控平台及方法 |
| KR102235237B1 (ko) * | 2021-01-22 | 2021-04-02 | 유호전기공업주식회사 | 부분방전 진단시스템의 동작 시험용 데이터를 편집하는 방법 및 장치 |
| CN113191656A (zh) * | 2021-05-13 | 2021-07-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于数据关联分析的低压配电网设备负荷与拓扑联动方法 |
| CN113514742A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种gis局部放电严重程度的评估方法、系统和介质 |
| CN114386603A (zh) * | 2022-01-13 | 2022-04-22 | 合肥工业大学 | 基于时序因果网络的火电厂发电机故障预警方法 |
| CN115079052A (zh) * | 2022-07-21 | 2022-09-20 | 兰州陇能电力科技有限公司 | 一种变压器故障诊断方法和系统 |
| CN115453288A (zh) * | 2022-09-15 | 2022-12-09 | 惟精环境科技有限公司 | 一种高压开关柜局部放电监测系统 |
| CN115524583A (zh) * | 2022-09-16 | 2022-12-27 | 国网湖南省电力有限公司 | 一种用于gis的局部放电监测方法、装置及介质 |
| 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 |
| CN116340810A (zh) * | 2023-02-13 | 2023-06-27 | 广东电网有限责任公司 | 基于随机森林的变压器出线部位局部放电诊断方法和装置 |
| KR20230104527A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
| CN116452542A (zh) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 |
| CN117233554A (zh) * | 2023-10-27 | 2023-12-15 | 云南电网有限责任公司电力科学研究院 | 一种基于电网故障的局部放电识别方法 |
| CN117538710A (zh) * | 2023-12-14 | 2024-02-09 | 四川大唐国际甘孜水电开发有限公司 | 用于局部动态放电监测的智能预警方法及系统 |
-
2024
- 2024-04-02 CN CN202410390582.2A patent/CN117970061B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
| CN108521346A (zh) * | 2018-04-07 | 2018-09-11 | 中南大学 | 一种基于终端数据的电信承载网异常节点定位方法 |
| CN110196380A (zh) * | 2019-06-25 | 2019-09-03 | 安徽中祺智能电器股份有限公司 | 一种用于配电电缆局部放电的带电检测方法 |
| CN111983382A (zh) * | 2020-08-11 | 2020-11-24 | 广州番禺电缆集团有限公司 | 一种基于多节点的智能电缆监控平台及方法 |
| KR102235237B1 (ko) * | 2021-01-22 | 2021-04-02 | 유호전기공업주식회사 | 부분방전 진단시스템의 동작 시험용 데이터를 편집하는 방법 및 장치 |
| CN113191656A (zh) * | 2021-05-13 | 2021-07-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于数据关联分析的低压配电网设备负荷与拓扑联动方法 |
| CN113514742A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种gis局部放电严重程度的评估方法、系统和介质 |
| KR20230104527A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
| CN114386603A (zh) * | 2022-01-13 | 2022-04-22 | 合肥工业大学 | 基于时序因果网络的火电厂发电机故障预警方法 |
| CN115079052A (zh) * | 2022-07-21 | 2022-09-20 | 兰州陇能电力科技有限公司 | 一种变压器故障诊断方法和系统 |
| CN115453288A (zh) * | 2022-09-15 | 2022-12-09 | 惟精环境科技有限公司 | 一种高压开关柜局部放电监测系统 |
| CN115524583A (zh) * | 2022-09-16 | 2022-12-27 | 国网湖南省电力有限公司 | 一种用于gis的局部放电监测方法、装置及介质 |
| CN116340810A (zh) * | 2023-02-13 | 2023-06-27 | 广东电网有限责任公司 | 基于随机森林的变压器出线部位局部放电诊断方法和装置 |
| 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 |
| CN116452542A (zh) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 |
| CN117233554A (zh) * | 2023-10-27 | 2023-12-15 | 云南电网有限责任公司电力科学研究院 | 一种基于电网故障的局部放电识别方法 |
| CN117538710A (zh) * | 2023-12-14 | 2024-02-09 | 四川大唐国际甘孜水电开发有限公司 | 用于局部动态放电监测的智能预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘敏;方义治;孙廷玺;何伟;罗思琴;兰雪珂;周念成;: "基于多元模糊支持向量数据描述的高压电缆缺陷识别", 电子科技大学学报, no. 02, 30 March 2020 (2020-03-30) * |
| 邓帅;祁建怀;: "基于支持向量机的变电设备局部放电故障诊断研究", 自动化与仪器仪表, no. 05, 25 May 2018 (2018-05-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117970061B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111967509B (zh) | 一种对工业设备采集的数据进行处理和检测的方法及装置 | |
| CN105094494A (zh) | 指纹识别方法、装置及电子设备 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN116976530B (zh) | 一种电缆设备状态预测方法、装置及存储介质 | |
| CN114564629B (zh) | 异常数据处理方法、装置、计算机设备和存储介质 | |
| CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| CN113449803A (zh) | 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质 | |
| CN118330408A (zh) | 基于数据分析的电缆寿命智能预测方法及系统 | |
| CN112330488A (zh) | 基于迁移学习的电网频率态势预测方法 | |
| CN117312769A (zh) | 一种基于BiLSTM的物联网时序数据异常检测方法 | |
| CN118133059A (zh) | 一种基于数字孪生的安全风险智能检测方法及系统 | |
| CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
| CN117970061B (zh) | 一种高压电力电容器故障预警方法及系统 | |
| CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
| CN117825864A (zh) | 一种配电网线路短路容量监控诊断方法及系统 | |
| CN117808852A (zh) | 一种基于测绘点云的建筑工期数字化监控方法和系统 | |
| CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN116699327A (zh) | 一种gis设备局部放电故障预测方法、系统及设备 | |
| CN118094264B (zh) | 一种智能化电力电容器局部放电检测方法及系统 | |
| CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
| CN115238735A (zh) | 异常点检测方法、装置及存储介质、电子设备 | |
| CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
| CN114841222A (zh) | 配电系统、高压断路器故障检测模型及方法 |
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 |