CN106779505A - 一种基于大数据驱动的输电线路故障预警方法及*** - Google Patents
一种基于大数据驱动的输电线路故障预警方法及*** Download PDFInfo
- Publication number
- CN106779505A CN106779505A CN201710111397.5A CN201710111397A CN106779505A CN 106779505 A CN106779505 A CN 106779505A CN 201710111397 A CN201710111397 A CN 201710111397A CN 106779505 A CN106779505 A CN 106779505A
- Authority
- CN
- China
- Prior art keywords
- fault
- early warning
- time series
- transmission line
- warning information
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007257 malfunction Effects 0.000 title claims abstract description 36
- 230000006835 compression Effects 0.000 claims abstract description 87
- 238000007906 compression Methods 0.000 claims abstract description 87
- 230000005611 electricity Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005065 mining Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000009412 basement excavation Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 4
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了基于大数据驱动的输电线路故障预警方法及***。该方法包括采集输电线路相关信息，输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；提取输电线路相关信息的特征，进而构建故障因子挖掘数据库和故障判别特征库；基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；将异常故障因子的故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
Description
技术领域
本发明属于智能用电领域，尤其涉及一种基于大数据驱动的输电线路故障预警方法及***。
背景技术
随着社会经济的发展，对电力的依赖性越来越强，大规模停电事故往往始于电网某一线路的故障，并随着电网拓扑的强关联性及存在的脆弱环节而不断扩大。对于某些供电网架薄弱的地区，单一线路故障就可能导致负荷损失。
目前，针对输电线路故障的相关研究，大部分成果仅依赖现有数据对故障进行诊断，事实上，电力***存在上传数据单一、数量多、综合性差等问题，导致依靠此类数据难以实现故障预测的全面性和前瞻性，信息响应及时性差，并且很难对线路异常情况做好跟踪及预测发展趋势的工作。在不提高电价转移经济压力的前提下，亟需运用先进的智能化技术，对输电线路故障进行预警，开展差异化运维，减少线路故障发生概率，有利于提高供电可靠性。
发明内容
为解决输电线路远程故障预警问题，本发明的第一目的是提出一种基于大数据驱动的输电线路故障预警方法，该方法能够有效实现对输电线路的远程故障预警，辅助提前制定故障解决方案的业务需求。
本发明的一种基于大数据驱动的输电线路故障预警方法，包括：
采集输电线路相关信息，输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；
提取输电线路相关信息的特征，进而构建故障因子挖掘数据库和故障判别特征库；
基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；
将异常故障因子的故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
其中，本发明的电气量指的是输电线路的电压、电流以及输电线路上的电阻信息。
本发明的故障事件顺序信息，指的是输电线路的发生故障事件的时间顺序信息。
本发明的故障因子为目标类，比如：气象数据因素或输电线路设备因素；故障因子指数为目标类预测发生的数值。
进一步的，本发明分别基于朴素贝叶斯算法和时间序列相似性故障匹配算法对提取的特征来构建故障因子挖掘数据库和故障判别特征库。
针对发展输电线路远程故障诊断存在的问题，本发明提出解决方案：充分利用大数据技术实现对现有海量数据的处理，采用朴素贝叶斯算法对数据挖掘以预测故障因子指数，随后结合可采集的电气量、气象数据、故障事件顺序信息、电网拓扑数据，以基于时间序列相似性故障匹配算法实现对输电线路的故障预警，并推送预警信息，以辅助调度与运维，提前制定解决方案，快速处理故障，加速电网恢复。
进一步的，该方法还包括：将预警信息推送给输电线路运维服务器，确定预警信息的故障因子以及故障判别特征，进而分别反馈至故障因子挖掘数据库和故障判别特征库，以闭环反馈的形式提高故障预警准确度。
进一步的，该方法还包括：将输出的预警信息以多种形式进行展示，表现为故障特征分析展示、故障原因、故障位置及诊断结果的统一展示。这样能够更加直观地查看输出的预警信息。
进一步的，基于时间序列相似性故障匹配方法对故障判别特征库内实时生成的预警信息时间序列与故障标准时间序列进行匹配的过程包括：
求取预警信息时间序列与故障标准时间序列之间的相似度，并与预设相似度阈值比较，输出大于或等于预设相似度阈值预警信息时间序列相对应的预警信息。
本发明通过预警信息时间序列与故障标准时间序列之间的相似度与预设相似度阈值比较，能够准确快速地获取预警信息。
进一步的，通过求取预警信息时间序列与标准时间序列之间的编辑距离，来衡量预警信息时间序列与标准时间序列之间的相似度。
其中，利用编辑距离判断识别结果和标准答案之间的不同。不同的错误可以反映识别***存在的问题。
本发明的第二目的是提供一种基于大数据驱动的输电线路故障预警***。
本发明的一种基于大数据驱动的输电线路故障预警***，包括：
数据采集模块，其用于采集输电线路相关信息，所述输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；
故障判别指标体系构建模块，其用于提取输电线路相关信息的特征，进而构建出故障因子挖掘数据库和故障判别特征库；
故障因子指数挖掘模块，其用于基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；其中，故障因子为目标类，故障因子指数为目标类预测发生的数值；
故障预警输出模块，其用于将故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
在所述故障判别指标体系构建模块中，分别基于朴素贝叶斯算法和时间序列相似性故障匹配算法对提取的特征来构建故障因子挖掘数据库和故障判别特征库。
进一步的，该***还包括：预警信息推送模块，其用于将预警信息推送给输电线路运维服务器，确定预警信息的故障因子以及故障判别特征，进而分别反馈至故障因子挖掘数据库和故障判别特征库，以闭环反馈的形式提高故障预警准确度。
进一步的，该***还包括：展示模块，其用于将输出的预警信息以多种形式进行展示，表现为故障特征分析展示、故障原因、故障位置及诊断结果的统一展示。
进一步的，所述故障预警输出模块还包括：
相似度求取模块，其用于求取预警信息时间序列与故障标准时间序列之间的相似度；
相似度比较模块，其用于求取的预警信息时间序列与故障标准时间序列之间的相似度，再与预设相似度阈值比较，输出大于或等于预设相似度阈值预警信息时间序列相对应的预警信息。
进一步的，在所述相似度求取模块中，通过求取预警信息时间序列与标准时间序列之间的编辑距离，来衡量预警信息时间序列与标准时间序列之间的相似度。
与现有技术相比，本发明的有益效果是：
(1)本发明采用基于朴素贝叶斯算法的故障因子挖掘和基于时间序列相似性故障匹配算法构建故障预警模型，二者相辅相承，故障因子挖掘通过预测故障因子指数辅助时间序列相似性故障匹配提高故障预测的全面性和前瞻性，基于时间序列相似性故障匹配避免了朴素贝叶斯算法特征项的关联性，二者结合可有效实现输电线路运行异常跟踪、故障预警。
(2)本发明为了大幅提高存储密度和数据定位、运行速度，以大数据处理集群对海量时序数据进行实时数据处理，提高数据处理的稳定性和可靠性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为输电线路预警模型数据处理流程图；
图2为构建故障判别指标体系过程图；
图3为基于朴素贝叶斯算法的故障因子挖掘数据流程图；
图4为基于时间序列相似性故障匹配方法数据流程图；
图5为基于大数据驱动的输电线路故障预警方法实施例流程图；
图6为本发明的一种基于大数据驱动的输电线路故障预警***实施例一结构示意图；
图7为本发明的一种基于大数据驱动的输电线路故障预警***实施例二结构示意图；
图8为本发明的一种基于大数据驱动的输电线路故障预警***实施例三结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明实施例提供一种基于大数据驱动的输电线路故障预警方法。本发明的目的就是为解决输电线路远程故障预警问题，提出基于大数据驱动的预警分析方法，主要针对实时数据处理强的需求，选取朴素贝叶斯算法实现故障因子指数挖掘，结合现有可检测数据，以基于时间序列相似性故障匹配对输电线路运行状况进行故障预警，满足提前制定解决方案的需求。本方案主要依赖于朴素贝叶斯算法和时间序列相似性算法构建预警模型，完成输电线路的远程故障预警服务。
本发明的基于大数据驱动的输电线路故障预警方法，步骤如下：
A对服务于电网各个专业的信息管理***的输电线路相关历史数据与实时数据进行采集，搜集气象数据、环境数据及基于故障录波装置接入的线路、母线的所有电流支路在电网故障过程中所记录的数据变化信息，实现数据资源和检测目标的确定。
B基于信息采集数据，分层对故障特征进行梳理，构建故障判别指标体系主要包含，一是构建故障因子挖掘数据库，一是构建故障判别特征库；
本发明基于朴素贝叶斯算法来构建故障因子挖掘的故障因子挖掘数据库，基于时间序列相似性故障匹配算法来构建故障判别特征库。
C基于朴素贝叶斯算法定义各故障的信息量和控制量，确定训练样本集与测试样本集，并对故障因子挖掘数据库给出的特征数据进行故障因子指数挖掘，并对异常指数故障因子进行异常状态跟踪，其中，故障因子为目标类，比如：气象数据、环境数据；故障因子指数为目标类预测发生的数值。
D将异常故障因子的故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法，实时将故障判别特征库内包含统一时标基准的特征项按时间顺序构成预警时间序列，并与故障标准时间序列进行相似度匹配，当输电线路达到预设相似阈值指标值时，生成故障预警信息。
如图1所示，本发明的基于大数据驱动的输电线路故障预警方法，还包括以下步骤：
E以测试样本集对由步骤C和步骤D所建输电线路故障预警模型进行测试，主要包含模型的准确率和召回率：
由模型测试对输电线路故障预警模型进行评价；
F将故障预警信息以短信、邮件或***界面窗口弹出的方式进行推送，输电线路运维责任方据此信息提前制定现场故障解决方案，完成故障处理；
G故障样本反馈，根据现场确认，将输电线路诊断情况、保护装置信息及故障原因进行反馈，不断丰富故障判别指标体系，更新故障预测准确度；
H可视化结果展示，基于异常跟踪与故障预警信息，将数据以多种形式进行展示，主要表现为故障特征分析展示，故障原因、故障位置及诊断结果的统一展示。
如图2所示，步骤B中构建故障判别指标体系的生成过程为：
B1.基于信息采集数据作为原始数据集A，包含N个特征的原始特征集，S为选中特征集，初始为空集，F为待选特征集，初始包含N个特征；
B2.计算与目标类c间的互信息I(aj,c)，找到使max[D]成立的特征，并记为aj *,(j＝1,2,L,N),令F-{aj *}→Fj，{aj *}→Sj，重复本步骤，直到F为空集，此时，SN中的特征按照特征项与目标类的相关性随j的递增呈降序排列；
B3.将SN中的特征项aj(j＝1)依次与其余各项求互信息，即得到特征项aj(j＝1)与各项的冗余度集Rj(j＝1)，令j＝j+1，重复本步骤，直到j＞N,此时获得各特征项间的冗余度二维集合R＝{R1,R2...RN}；
B4.基于试凑法初始化相关性阈值并根据模型的故障预警模型正确率的验证，可修正相关性阈值将SN中高于相关性阈值的特征项归于故障因子挖掘数据库；
B5.根据最大相关最小冗余准则设置初始化冗余度阈值γ,对于故障因子挖掘数据库中的特征项aj(j＝1)，将冗余度集合Rj(j＝1)内数值大于γ且存在于故障因子挖掘数据库的特征项移入故障判别特征库，j＝j+1，重复本步骤，直至遍历完故障因子挖掘数据库内的特征项，由此获取故障因子挖掘数据库和故障判别特征库。
需要说明的是，图2中的构建故障判别指标体系的生成过程为一个实施例，还有其他方法来构建故障判别指标体系，比如：将提取的故障特征按照预设顺序排列，不进行冗余处理，而获取故障因子挖掘数据库和故障判别特征库。
还可以采用数据的索引方法，即对故障特征进行标引，进而通过标引对冗余数据进行处理而获取故障因子挖掘数据库和故障判别特征库。
其中，步骤B所涉及测度指标进行如下定义：给定两个特征项aj和ak＝(j,k∈1,2...N)，其概率密度为p(aj)和p(ak)，联合概率密度为p(aj,ak)，则aj和ak之间的互信息I(aj,ak)定义为
相关性和冗余度的测度指标分别定义为
Dj＝I(aj,c) (4)
Rj,k＝I(aj,ak) (5)
综合考虑上述两个测度指标，最大相关最小冗余准则如下：
max(Dj-Rj.k)，γ＝Rj.k (6)
其中，c为目标类别，I(aj,c)为特征项aj和目标类别c之间的互信息,I(aj,ak)为特征项aj与特征项ak之间的互信息，D表示特征项与目标类别的相关性，R为表示特征项之间的冗余度。
如图3所示，步骤C中基于朴素贝叶斯算法的故障因子挖掘的生成过程为：
C1.根据故障因子挖掘数据库确定的特征项，定义x＝{a1,a2,...,ai,...,am}为一个待分类项，其中x为待挖掘故障因子，ai为特征项；
C2.确定待挖掘故障因子类别集合C＝{y1,y2}，其中，y1为故障因子发生为真，y2为故障因子发生为假；
C3.将以往输电线路故障发生情况明确的历史数据作为一个已知分类的待分类项集合，即确定训练样本集与测试样本集；
C4.统计得到在各类别下各个特征项的条件概率估计，即
当某个类别下某个特征项没有出现时，产生P(a|y)＝0这种现象，导致模型预测质量大大降低，为解决这一问题，在训练样本集数量足够大前提下，引入Laplace校准，对每一类别下所有特征项的计数加1；
C5.根据贝叶斯定理有如下推导：
因为分母对于所有类别为常数，只将分子最大化即可，进一步化简可得：
P(yi|x)∝P(yi)P(a1|yi)P(a2|yi) (9)
C6.将待检测样本数据投入故障因子挖掘模型中，本方法采用基于朴素贝叶斯算法实现故障因子挖掘，是为时间序列相似性故障匹配提供预测数值，为避免单纯的二分类不符合下一环节精度要求，故本环节求得故障因子发生指数为故障发生与故障未发生的概率比：
C7.当故障因子发生指数高时，不断对该异常状态进行跟踪检测，将实时变化的异常特征因子指数传递给故障判别特征库内的基于时间序列相似性故障匹配算法的输入特征。
需要说明的是，图3中的基于朴素贝叶斯算法的故障因子挖掘的生成过程为一个实施例，也可以再步骤C3中引入其他校准方法对训练样本集进行校准。
如图4所示，步骤D基于时间序列相似性故障匹配方法进行故障预警的生成过程为：
D1.根据故障判别特征库所确定的基于时间序列相似性故障匹配算法的输入特征，对输电线路现场数据及故障因子指数进行实时特征数据获取；
D2.根据实时特征数据生成对应的预警信息时间序列，时间序列是某个信息量的记录值和时间节点组成元素的有序集合，记为X＝{x1＝(v1,t1),x2＝(v2,t2),...,xn＝(vn,tn)}，其中，xi＝(vi,ti)表示时间序列在ti时刻所记录的信息为vi；1，2，…，n代表故障事件发生的先后次序，且故障事件顺序与时间节点顺序同步，即i,j∈1,2...n)；
D3.针对各预警信息时间序列，根据其故障因子指数选定预警类型；
D4.根据输电线路异常故障因子指数反推，即基于朴素贝叶斯算法的故障因子挖掘现场获取的实时特征数据确定预警故障区域；
D5.针对历史故障案例采集的特征信息进行聚类归纳，可以获取故障标准时间序列Y＝{y1,y2...yn}，设置故障事件权重ξ＝{ξ1,ξ2,...ξn}，置信度阈值α；
D6.将实时获取的预警信息时间序列X＝{x1,x2...xm}与标准时间序列Y＝{y1,y2...yn}进行匹配，以编辑距离来衡量从而获取本次时间序列相似度，序列X和序列Y之间的编辑距离Dm,n可用下式从D0,0递归计算得到，
式中，当xi∈yj时，L(xi,yi)＝0，否则，L(xi,yi)＝1；
D7.将故障事件权重ξ与时间序列相似度Dm,n相乘，并将此m次故障事件数值累计获取输电线路故障置信度α，将其与设置的置信度阈值α0相比较，若α＜α0时，生成本区域所测类型的输电线路故障预警指示并推送。
需要说明的是，图4中的基于时间序列相似性故障匹配方法进行故障预警的生成过程为一个实施例。
在另一实施例中，在步骤D6中，将实时获取的预警信息时间序列X＝{x1,x2...xm}与标准时间序列Y＝{y1,y2...yn}进行匹配，以欧式距离、余弦距离或曼哈顿距离来衡量从而获取本次时间序列相似度。
本发明所述方案是以某电网为方法实施背景平台，数据主要来自于智能变电站、智能电表、实时监测***、现场移动检修***、测控一体化***、互联网的遥信数据、遥测数据以及包含气象信息的环境数据，此外，故障录波装置接入了线路、母线、主变设备的所有电流支路，电网故障发生时记录下这些支路变化的数据。大数据服务器运行环境及配置：操作***为CentOS el7X86_64GNU/Linux，CPU为至E3-1230v5及更新的CPU，内存为8G及以上内存，客户端运行环境及配置：操作***为Windows7、8、10 64位操作***，CPU为第六代智能酷睿TMi7-6700T处理器或主频3.6GHz以上多核CPU，内存为4G及以上内存。
参考图5，是本发明以故障原因为雷击导致的线路A相单相接地进行方法案例的具体实施过程描述，步骤包括如下：
以2013年1月至2014年6月统计的输电线路故障数据为依据，2013年全年跳闸次数为1311次，其中雷击占比46.3％，以此获取雷击故障案例607起，同理获取2014年上半年雷击故障案例324起，并搜集以上区域发生降雨但未发生雷击样本案例作为正常样本案例共计103827起，对以上样本进行相关数据采集；
基于样本采集数据，分层对故障特征进行梳理，构建故障判别指标体系主要包含，一是构建基于朴素贝叶斯算法故障因子挖掘的故障因子挖掘数据库，相关性阈值设为本次故障因子挖掘数据库包含特征项15类一是构建基于时间序列相似性故障匹配故障判别特征库冗余度阈值γ＝[91 64 43 42 3 26 22 12 11 1 5 5 5 5 5]*10-4，除上一环节所挖掘到的雷击指数外，本次故障判别特征库另包含特征项6类。
以2013年全年雷击故障案例607起和正常样本案例69236起作为训练样本集，以2014年上半年雷击故障案例324起和正常样本案例34591起作为测试样本集；
根据故障判别特征库确定的特征项定义x＝{a1,a2,...,ai,...,am}为一个待分类项，其中x为待挖掘故障因子，ai为特征项，确定待挖掘故障因子类别集合C＝{y1,y2}，其中，y1为故障因子发生为真，y2为故障因子发生为假，统计得训练样本集在各类别下各个特征项的条件概率估计作为2014年发生雷击故障因子指数挖掘的先验概率，以2014年某一220kV输电线路A相遭遇雷击故障特征数据对雷击指数挖掘结果如下所示：
此外，经历史数据训练可得，雷击故障事件发生的概率为0.0087，雷击故障事件不发生的概率为0.9913；
将测试样本数据投入故障因子挖掘流程中，最终获得样本雷击发生与未发生计算概率，以2014年某一220kV输电线路A相遭遇雷击故障特征数据进行示例说明
故求得故障因子发生指数为故障发生与故障未发生的概率比，即为雷击指数：
雷击故障因子指数数据投入故障判别特征库，由训练样本集设定雷击指数阈值θ0＝1.34，θ＜θ0，故雷击指数异常，对该异常状态进行实时跟踪检测，并不断更新故障判别特征库数据；
接收故障判别特征库所确定的基于时间序列相似性故障匹配方法的输入特征，根据实时特征数据生成对应的预警信息时间序列，时间序列是某个电气量的记录值和时间节点组成的元素的有序集合，记为X＝{x1＝(v1,t1),x2＝(v2,t2),...,x7＝(v7,t7)}；
针对生成的预警信息时间序列，根据故障因子指数选定为雷击预警类型，并由输电线路故障因子指数反推，即基于朴素贝叶斯算法的故障因子挖掘现场获取的实时特征数据确定预警故障区域；
基于2013年的雷击故障案例607起的采集的特征信息聚类分析，可以获取标准雷击故障时间序列Y＝{y1,y2...y7}，故障事件权重为ξ＝{1,98,16,12,0.01,10,1}，置信度阈值取α0＝126；
将实时获取的雷击故障预警信息时间序列X＝{x1,x2...x7}与标准雷击故障时间序列Y＝{y1,y2...y7}进行对比，序列X和序列Y之间的编辑距离D7,7通过式(5)可得，以2014年某一220kV输电线路A相遭遇雷击故障的数据进行示例说明
将故障事件权重ξ与时间序列相似度D7,7，对应相乘，并将7次故障事件数值累计获取输电线路故障置信度α＝10，α＜α0，输出本区域输电线路雷击故障预警指示；
如上所述步骤4-步骤9所述，以2014年上半年雷击故障案例324起和未雷击案例34591起作为测试样本集，对所建预警模型进行测试评价，结果如下所示
| 预测为无雷击 | 预测为雷击 | 测试总数 | |
| 实际雷击发生 | 57 | 267 | 324 |
| 实际雷击未发生 | 34453 | 138 | 34591 |
| 测试总数 | 34510 | 405 | 34915 |
模型指标评价：
由以上数据可得，基于朴素贝叶斯算法的故障因子挖掘和基于时间序列相似性故障匹配算法相结合，可对输电线路故障作出较好的预测；
将雷击故障预警结果进行推送，辅助提前制定现场故障解决方案，完成故障处理后根据现场确认进行故障样本反馈，将输电线路诊断情况、保护装置信息及故障原因进行反馈，不断丰富故障判别指标体系，更新故障预测准确度；
进行可视化结果展示，基于异常跟踪与故障预警信息，将数据以多种形式进行展示，主要表现为故障特征分析展示，故障原因、故障位置及诊断结果的统一展示，为后续完善输电线路服务提供直观数据展示。
如图6所示，本发明的一种基于大数据驱动的输电线路故障预警***，包括：
数据采集模块，其用于采集输电线路相关信息，所述输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；
故障判别指标体系构建模块，其用于提取输电线路相关信息的特征，再分别基于朴素贝叶斯算法和时间序列相似性故障匹配算法对提取的特征来构建故障因子挖掘数据库和故障判别特征库；
故障因子指数挖掘模块，其用于基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；其中，故障因子为目标类，故障因子指数为目标类预测发生的数值；
故障预警输出模块，其用于将故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
其中，故障预警输出模块还包括：
相似度求取模块，其用于求取预警信息时间序列与故障标准时间序列之间的相似度；
相似度比较模块，其用于求取的预警信息时间序列与故障标准时间序列之间的相似度，再与预设相似度阈值比较，输出大于或等于预设相似度阈值预警信息时间序列相对应的预警信息。
进一步的，在所述相似度求取模块中，通过求取预警信息时间序列与标准时间序列之间的编辑距离，来衡量预警信息时间序列与标准时间序列之间的相似度。
在另一实施例中，如图7所示，该***还包括：预警信息推送模块，其用于将预警信息推送给输电线路运维服务器，确定预警信息的故障因子以及故障判别特征，进而分别反馈至故障因子挖掘数据库和故障判别特征库，以闭环反馈的形式提高故障预警准确度。
在另一实施例中，如图8所示，该***还包括：展示模块，其用于将输出的预警信息以多种形式进行展示，表现为故障特征分析展示、故障原因、故障位置及诊断结果的统一展示。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于大数据驱动的输电线路故障预警方法，其特征在于，包括：
采集输电线路相关信息，输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；
提取输电线路相关信息的特征，进而构建故障因子挖掘数据库和故障判别特征库；
基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；
将异常故障因子的故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
2.如权利要求1所述的一种基于大数据驱动的输电线路故障预警方法，其特征在于，该方法还包括：将预警信息推送给输电线路运维服务器，确定预警信息的故障因子以及故障判别特征，进而分别反馈至故障因子挖掘数据库和故障判别特征库，以闭环反馈的形式提高故障预警准确度。
3.如权利要求1所述的一种基于大数据驱动的输电线路故障预警方法，其特征在于，该方法还包括：将输出的预警信息以多种形式进行展示，表现为故障特征分析展示、故障原因、故障位置及诊断结果的统一展示。
4.如权利要求1所述的一种基于大数据驱动的输电线路故障预警方法，其特征在于，基于时间序列相似性故障匹配方法对故障判别特征库内实时生成的预警信息时间序列与故障标准时间序列进行匹配的过程包括：
求取预警信息时间序列与故障标准时间序列之间的相似度，并与预设相似度阈值比较，输出大于或等于预设相似度阈值预警信息时间序列相对应的预警信息；
优选地，分别基于朴素贝叶斯算法和时间序列相似性故障匹配算法对提取的特征来构建故障因子挖掘数据库和故障判别特征库。
5.如权利要求4所述的一种基于大数据驱动的输电线路故障预警方法，其特征在于，通过求取预警信息时间序列与标准时间序列之间的编辑距离，来衡量预警信息时间序列与标准时间序列之间的相似度。
6.一种基于大数据驱动的输电线路故障预警***，其特征在于，包括：
数据采集模块，其用于采集输电线路相关信息，所述输电线路相关信息包括电气量、气象数据、故障事件顺序信息和电网拓扑数据；
故障判别指标体系构建模块，其用于提取输电线路相关信息的特征，进而构建故障因子挖掘数据库和故障判别特征库；
故障因子指数挖掘模块，其用于基于朴素贝叶斯算法对当前故障因子挖掘数据库中的数据进行故障因子指数挖掘，进而对异常故障因子进行异常状态跟踪；
故障预警输出模块，其用于将异常故障因子的故障因子指数传输至故障判别特征库，基于时间序列相似性故障匹配方法将故障判别特征库内实时生成的预警信息时间序列与预设故障标准时间序列进行匹配，输出已匹配的预警信息时间序列所对应的预警信息并进行故障预警。
7.如权利要求6所述的一种基于大数据驱动的输电线路故障预警***，其特征在于，该***还包括：预警信息推送模块，其用于将预警信息推送给输电线路运维服务器，确定预警信息的故障因子以及故障判别特征，进而分别反馈至故障因子挖掘数据库和故障判别特征库，以闭环反馈的形式提高故障预警准确度。
8.如权利要求6所述的一种基于大数据驱动的输电线路故障预警***，其特征在于，该***还包括：展示模块，其用于将输出的预警信息以多种形式进行展示，表现为故障特征分析展示、故障原因、故障位置及诊断结果的统一展示。
9.如权利要求6所述的一种基于大数据驱动的输电线路故障预警***，其特征在于，所述故障预警输出模块还包括：
相似度求取模块，其用于求取预警信息时间序列与故障标准时间序列之间的相似度；
相似度比较模块，其用于求取的预警信息时间序列与故障标准时间序列之间的相似度，再与预设相似度阈值比较，输出大于或等于预设相似度阈值预警信息时间序列相对应的预警信息；
优选地，在所述故障判别指标体系构建模块中，分别基于朴素贝叶斯算法和时间序列相似性故障匹配算法对提取的特征来构建故障因子挖掘数据库和故障判别特征库。
10.如权利要求9所述的一种基于大数据驱动的输电线路故障预警***，其特征在于，在所述相似度求取模块中，通过求取预警信息时间序列与标准时间序列之间的编辑距离，来衡量预警信息时间序列与标准时间序列之间的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710111397.5A CN106779505B (zh) | 2017-02-28 | 2017-02-28 | 一种基于大数据驱动的输电线路故障预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710111397.5A CN106779505B (zh) | 2017-02-28 | 2017-02-28 | 一种基于大数据驱动的输电线路故障预警方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106779505A true CN106779505A (zh) | 2017-05-31 |
| CN106779505B CN106779505B (zh) | 2021-04-02 |
Family
ID=58959703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710111397.5A Active CN106779505B (zh) | 2017-02-28 | 2017-02-28 | 一种基于大数据驱动的输电线路故障预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106779505B (zh) |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085170A (zh) * | 2017-06-23 | 2017-08-22 | 盛秀群 | 基于大数据的特高压直流输电线路巡视及反馈*** |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地***单相接地故障选线方法 |
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN107784115A (zh) * | 2017-11-09 | 2018-03-09 | 福建省特种设备检验研究院 | 一种基于编辑距离算法的特种设备故障分析方法及*** |
| CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及*** |
| CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
| CN109389181A (zh) * | 2018-10-30 | 2019-02-26 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则生成方法及装置 |
| CN109445406A (zh) * | 2018-10-18 | 2019-03-08 | 西南交通大学 | 基于场景测试与事务搜索的工业控制***安全检测方法 |
| CN109586239A (zh) * | 2018-12-10 | 2019-04-05 | 国网四川省电力公司电力科学研究院 | 智能变电站实时诊断及故障预警方法 |
| CN109596913A (zh) * | 2018-11-26 | 2019-04-09 | 国网冀北电力有限公司 | 充电桩故障原因诊断方法及装置 |
| CN110210632A (zh) * | 2019-05-31 | 2019-09-06 | 国网河北省电力有限公司沧州供电分公司 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
| CN110442657A (zh) * | 2019-08-05 | 2019-11-12 | 北京远舢智能科技有限公司 | 一种基于大数据的智能管理平台 |
| CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
| CN110502499A (zh) * | 2019-06-26 | 2019-11-26 | 中电万维信息技术有限责任公司 | 基于贝叶斯算法的数据故障事件处理方法以及维护*** |
| CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和*** |
| CN110599030A (zh) * | 2019-09-10 | 2019-12-20 | 江苏方天电力技术有限公司 | 一种基于正反特征库加权匹配的电力风险预警方法 |
| CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
| CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
| CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、***及诊断设备 |
| CN111709668A (zh) * | 2020-07-07 | 2020-09-25 | 广西电网有限责任公司 | 基于数据挖掘技术的电网设备参数风险识别方法及装置 |
| CN111722952A (zh) * | 2020-05-25 | 2020-09-29 | 中国建设银行股份有限公司 | 业务***的故障分析方法、***、设备和存储介质 |
| CN111985719A (zh) * | 2020-08-27 | 2020-11-24 | 华中科技大学 | 一种基于改进的长短期记忆网络的电力负荷预测方法 |
| CN112231348A (zh) * | 2020-09-02 | 2021-01-15 | 浙江大华技术股份有限公司 | 规则引擎智能自动巡检方法、***、电子设备及装置 |
| CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次***故障诊断方法 |
| CN112598883A (zh) * | 2021-02-07 | 2021-04-02 | 国网江苏省电力有限公司苏州供电分公司 | 基于贝叶斯网络的输电线路落雷概率预警方法及预警*** |
| CN113052224A (zh) * | 2021-03-19 | 2021-06-29 | 国网河南省电力公司电力科学研究院 | 一种电力与气象多源数据的交互融合方法和*** |
| CN113159641A (zh) * | 2021-05-17 | 2021-07-23 | 广东电网有限责任公司 | 基于匹配度因子的停电处置预案、***、终端和存储介质 |
| CN113467349A (zh) * | 2021-05-13 | 2021-10-01 | 河北工程大学 | 一种输电线路安全隐患智能识别先兆告警*** |
| CN114217168A (zh) * | 2021-12-07 | 2022-03-22 | 云南电网有限责任公司保山供电局 | 基于录波数据最优特征选取的输电线路故障高效诊断方法 |
| CN114488923A (zh) * | 2021-12-23 | 2022-05-13 | 浙江中控技术股份有限公司 | 实现时间调度功能的plc控制方法、***以及控制器 |
| CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及*** |
| CN115361061A (zh) * | 2022-08-24 | 2022-11-18 | 中铁电气化局集团有限公司 | 一种光纤故障监测方法 |
| CN117148047A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及*** |
| CN117639240A (zh) * | 2023-11-28 | 2024-03-01 | 重庆东电通信技术有限公司 | 一种基于智能感知与大数据分析的输电线路预警方法 |
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100318934A1 (en) * | 2009-06-10 | 2010-12-16 | Terrence Lynn Blevins | Methods and apparatus to predict process quality in a process control system |
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN104573989A (zh) * | 2015-01-28 | 2015-04-29 | 国家电网公司 | 一种基于历史故障信息的输电线路故障概率评估方法 |
| CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
-
2017
- 2017-02-28 CN CN201710111397.5A patent/CN106779505B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100318934A1 (en) * | 2009-06-10 | 2010-12-16 | Terrence Lynn Blevins | Methods and apparatus to predict process quality in a process control system |
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN104573989A (zh) * | 2015-01-28 | 2015-04-29 | 国家电网公司 | 一种基于历史故障信息的输电线路故障概率评估方法 |
| CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
Cited By (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085170A (zh) * | 2017-06-23 | 2017-08-22 | 盛秀群 | 基于大数据的特高压直流输电线路巡视及反馈*** |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地***单相接地故障选线方法 |
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及*** |
| CN107784115A (zh) * | 2017-11-09 | 2018-03-09 | 福建省特种设备检验研究院 | 一种基于编辑距离算法的特种设备故障分析方法及*** |
| CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN108228428B (zh) * | 2018-02-05 | 2021-09-21 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN109445406B (zh) * | 2018-10-18 | 2021-05-18 | 西南交通大学 | 基于场景测试与事务搜索的工业控制***安全检测方法 |
| CN109445406A (zh) * | 2018-10-18 | 2019-03-08 | 西南交通大学 | 基于场景测试与事务搜索的工业控制***安全检测方法 |
| CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
| CN109389181A (zh) * | 2018-10-30 | 2019-02-26 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则生成方法及装置 |
| CN109596913A (zh) * | 2018-11-26 | 2019-04-09 | 国网冀北电力有限公司 | 充电桩故障原因诊断方法及装置 |
| CN109596913B (zh) * | 2018-11-26 | 2021-06-15 | 国网冀北电力有限公司 | 充电桩故障原因诊断方法及装置 |
| CN109586239A (zh) * | 2018-12-10 | 2019-04-05 | 国网四川省电力公司电力科学研究院 | 智能变电站实时诊断及故障预警方法 |
| CN110210632A (zh) * | 2019-05-31 | 2019-09-06 | 国网河北省电力有限公司沧州供电分公司 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
| CN110502499A (zh) * | 2019-06-26 | 2019-11-26 | 中电万维信息技术有限责任公司 | 基于贝叶斯算法的数据故障事件处理方法以及维护*** |
| CN110442657A (zh) * | 2019-08-05 | 2019-11-12 | 北京远舢智能科技有限公司 | 一种基于大数据的智能管理平台 |
| CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
| CN110533331A (zh) * | 2019-08-30 | 2019-12-03 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和*** |
| CN110533331B (zh) * | 2019-08-30 | 2024-03-15 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和*** |
| CN110599030A (zh) * | 2019-09-10 | 2019-12-20 | 江苏方天电力技术有限公司 | 一种基于正反特征库加权匹配的电力风险预警方法 |
| CN110599030B (zh) * | 2019-09-10 | 2022-06-07 | 江苏方天电力技术有限公司 | 一种基于正反特征库加权匹配的电力风险预警方法 |
| CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
| CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
| CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、***及诊断设备 |
| CN111722952A (zh) * | 2020-05-25 | 2020-09-29 | 中国建设银行股份有限公司 | 业务***的故障分析方法、***、设备和存储介质 |
| CN111709668A (zh) * | 2020-07-07 | 2020-09-25 | 广西电网有限责任公司 | 基于数据挖掘技术的电网设备参数风险识别方法及装置 |
| CN111985719A (zh) * | 2020-08-27 | 2020-11-24 | 华中科技大学 | 一种基于改进的长短期记忆网络的电力负荷预测方法 |
| CN111985719B (zh) * | 2020-08-27 | 2023-07-25 | 华中科技大学 | 一种基于改进的长短期记忆网络的电力负荷预测方法 |
| CN112231348A (zh) * | 2020-09-02 | 2021-01-15 | 浙江大华技术股份有限公司 | 规则引擎智能自动巡检方法、***、电子设备及装置 |
| CN112231348B (zh) * | 2020-09-02 | 2022-08-09 | 浙江大华技术股份有限公司 | 规则引擎智能自动巡检方法、***、电子设备及装置 |
| CN112415331B (zh) * | 2020-10-27 | 2024-04-09 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次***故障诊断方法 |
| CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次***故障诊断方法 |
| CN112598883A (zh) * | 2021-02-07 | 2021-04-02 | 国网江苏省电力有限公司苏州供电分公司 | 基于贝叶斯网络的输电线路落雷概率预警方法及预警*** |
| CN113052224A (zh) * | 2021-03-19 | 2021-06-29 | 国网河南省电力公司电力科学研究院 | 一种电力与气象多源数据的交互融合方法和*** |
| CN113052224B (zh) * | 2021-03-19 | 2022-07-22 | 国网河南省电力公司电力科学研究院 | 一种电力与气象多源数据的交互融合方法和*** |
| CN113467349A (zh) * | 2021-05-13 | 2021-10-01 | 河北工程大学 | 一种输电线路安全隐患智能识别先兆告警*** |
| CN113159641B (zh) * | 2021-05-17 | 2023-01-20 | 广东电网有限责任公司 | 基于匹配度因子的停电处置预案、***、终端和存储介质 |
| CN113159641A (zh) * | 2021-05-17 | 2021-07-23 | 广东电网有限责任公司 | 基于匹配度因子的停电处置预案、***、终端和存储介质 |
| CN114217168A (zh) * | 2021-12-07 | 2022-03-22 | 云南电网有限责任公司保山供电局 | 基于录波数据最优特征选取的输电线路故障高效诊断方法 |
| CN114217168B (zh) * | 2021-12-07 | 2024-06-04 | 云南电网有限责任公司保山供电局 | 基于录波数据最优特征选取的输电线路故障高效诊断方法 |
| CN114488923A (zh) * | 2021-12-23 | 2022-05-13 | 浙江中控技术股份有限公司 | 实现时间调度功能的plc控制方法、***以及控制器 |
| CN114994451B (zh) * | 2022-08-08 | 2022-10-11 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及*** |
| CN114994451A (zh) * | 2022-08-08 | 2022-09-02 | 山东交通职业学院 | 一种船舶电气设备故障探测方法及*** |
| CN115361061A (zh) * | 2022-08-24 | 2022-11-18 | 中铁电气化局集团有限公司 | 一种光纤故障监测方法 |
| CN117148047A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及*** |
| CN117148047B (zh) * | 2023-10-30 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及*** |
| CN117639240A (zh) * | 2023-11-28 | 2024-03-01 | 重庆东电通信技术有限公司 | 一种基于智能感知与大数据分析的输电线路预警方法 |
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
| CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106779505B (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779505A (zh) | 一种基于大数据驱动的输电线路故障预警方法及*** | |
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| CN111985561A (zh) | 一种智能电表的故障诊断方法、***及电子装置 | |
| US20120304008A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
| CN107133632A (zh) | 一种风电设备故障诊断方法及*** | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
| CN110232499A (zh) | 一种配电网信息物理侧风险预警方法及*** | |
| CN109254219B (zh) | 一种考虑多元因素态势演变的配变迁移学习故障诊断方法 | |
| CN112415331B (zh) | 基于多源故障信息的电网二次***故障诊断方法 | |
| CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及*** | |
| CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
| CN106569030A (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
| CN116450399A (zh) | 微服务***故障诊断及根因定位方法 | |
| CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
| CN109378835A (zh) | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** | |
| CN108132423A (zh) | 一种基于状态转移概率电力***监测数据失真的快速定位方法 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警*** | |
| CN106649765A (zh) | 基于大数据技术的智能电网全景数据分析方法 | |
| CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估*** | |
| Kumar et al. | Deep Learning based Fault Detection in Power Transmission Lines |
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 |