CN106874511B - 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 - Google Patents
一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 Download PDFInfo
- Publication number
- CN106874511B CN106874511B CN201710127249.2A CN201710127249A CN106874511B CN 106874511 B CN106874511 B CN 106874511B CN 201710127249 A CN201710127249 A CN 201710127249A CN 106874511 B CN106874511 B CN 106874511B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- corrosion
- module
- charge amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 191
- 230000007797 corrosion Effects 0.000 title claims abstract description 191
- 239000002184 metal Substances 0.000 title claims abstract description 62
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 62
- 239000012212 insulator Substances 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013479 data entry Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012731 temporal analysis Methods 0.000 claims abstract description 11
- 238000000700 time series analysis Methods 0.000 claims abstract description 11
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，包括绝缘子金属附件腐蚀电荷量预测***，所述***包括：历史数据录入模块、数据预处理模块、特征量提取模块、神经网络学习训练模块、外部环境输入模块、神经网络预测模块和时间序列分析模块。对经过预处理和特征量提取后的历史试验数据，分别进行神经网络预测和时间序列分析预测，得到第一短时腐蚀电荷量预测数据、未来多年的年均腐蚀电荷量预测数据和第二短时腐蚀电荷量预测数据。年均腐蚀电荷量预测数据，可指导绝缘子金属附件保护装置的设计；通过对比第一短时腐蚀电荷量和第二短时腐蚀电荷量的预测数据，可提高预测的准确性，并可评估绝缘子的运行状态，保障电网稳定运行。
Description
技术领域
本发明涉及数据预测算法理论和处理***技术领域，特别涉及一种基于绝缘子金属附件腐蚀电荷量预测***的数据库。
背景技术
在输电线路中，绝缘子串用于连接架空输电线路与铁塔，并在二者之间起绝缘作用。高压直流输电***中，绝缘子在直流电压作用下产生泄漏电流，且泄漏电流方向恒定。在潮湿和污秽环境中，污秽物受潮产生的污液流过绝缘子金属附件表面，在泄漏电流作用下，会与金属附件产生反应，发生化学和电解腐蚀，严重时会危害到电网线路的安全稳定运行。
现有的绝缘子金属附件腐蚀电荷量在线监测***可对高压线路的泄漏电流进行综合传感采集，为***主机提供各种采集数据参考依据，能对绝缘子附件的腐蚀状态进行连续监测，得到准确的年均腐蚀电荷量及实时腐蚀速率，为后续待建的特高压直流输电工程上盘形悬式瓷和玻璃绝缘子产品的设计、生产和运行维护提供技术支撑。
尽管现有的绝缘子金属附件腐蚀电荷量在线监测***可以有效地对金属腐蚀电荷量进行监测，但目前尚没有一种科学的手段实现绝缘子金属附件腐蚀电荷量的预测，使得技术人员无法对未来一段时间内的绝缘子金属附件腐蚀状态进行评估，并推测电网运行状态，也就无法对未来可能发生的电网运行事故进行预防。
发明内容
本发明的发明目的在于提供一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，以解决现有技术无法预测绝缘子金属附件腐蚀电荷量的问题。
根据本发明的实施例，提供了一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，包括：绝缘子金属附件腐蚀电荷量预测***，所述***包括：
历史数据录入模块，用于接收并存储绝缘子金属附件腐蚀试验的历史试验数据，所述试验数据包括历史气候数据和历史腐蚀电荷量数据，所述历史气候数据包括相对湿度数据、温度数据和降雨信息数据；将所述历史试验数据发送至数据预处理模块；
所述数据预处理模块，用于根据所述历史试验数据对应的试验时间，分别对所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行升序处理；分别对所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行缺失值处理；将处理后的所述历史试验数据发送至特征量提取模块；
所述特征量提取模块，用于根据处理后的所述历史试验数据，提取出每小时相对湿度、每天最大温差、每日降雨信息、每小时腐蚀电荷量和年均腐蚀电荷量的统计数据；分别将所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据发送至神经网络学习训练模块；分别将所述每小时腐蚀电荷量和所述年均腐蚀电荷量的统计数据发送至时间序列分析模块；
所述神经网络学习训练模块，用于根据所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据进行神经网络学习训练，并得到神经网络预测模型；将所述神经网络预测模型发送至神经网络预测模块；
外部环境输入模块，用于接收未来气候数据，并对所述未来气候数据进行处理；将处理后的所述未来气候数据发送至神经网络预测模块；
所述神经网络预测模块，用于根据处理后的所述未来气候数据和所述神经网络预测模型对未来一段时间内的金属附件腐蚀电荷量进行预测，得到与所述未来气候数据相对应的第一短时腐蚀电荷量预测数据；
所述时间序列分析模块，用于对所述年均腐蚀电荷量数据进行时间序列分析，并对未来多年内的金属附件腐蚀电荷量进行预测，得到年均腐蚀电荷量预测数据；根据所述每小时腐蚀电荷量数据预测未来一段时间内的腐蚀电荷量数据，得到第二短时腐蚀电荷量预测数据。
进一步地，所述数据库还包括，数据后处理模块，用于存储所述第一短时腐蚀电荷量预测数据、所述第二短时腐蚀电荷量预测数据和年均腐蚀电荷量预测数据；判断所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据是否相同；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据相同，则将所述第一短时腐蚀电荷量预测数据作为短时腐蚀电荷量预测数据；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据不相同，则将所述第一短时腐蚀电荷量预测数据和对应的所述第二短时腐蚀电荷量预测数据的平均值，作为短时腐蚀电荷量预测数据。
进一步地，所述数据库还包括，数据查询模块，用于向所述数据后处理模块发送短时预测数据查询指令；
所述数据后处理模块，还用于接收所述短时预测数据查询指令；从所述短时腐蚀电荷量预测数据中，查找出与所述短时预测数据查询指令相匹配的目标短时预测数据；将所述目标短时预测数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标短时预测数据；对所述目标短时预测数据进行分析，并评估绝缘子的运行状态。
更进一步地，所述数据查询模块，还用于向所述数据后处理模块发送年均预测数据查询指令；
所述数据后处理模块，还用于接收所述年均预测数据查询指令；从所述年均腐蚀电荷量预测数据中，查找出与所述年均预测数据查询指令相匹配的目标年均预测数据；将所述目标年均预测数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标年均预测数据，并对所述目标年均预测数据进行分析。
更进一步地，所述数据查询模块，还用于向所述历史数据录入模块发送历史数据查询指令；
所述历史数据录入模块，还用于接收所述历史数据查询指令；从所述历史腐蚀电荷量数据中，查找出与所述历史数据查询指令相匹配的目标历史腐蚀电荷量数据；将所述目标历史腐蚀电荷量数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标历史腐蚀电荷量数据，并对所述目标历史腐蚀电荷量数据进行分析。
进一步地，所述数据库还包括，数据修改模块，用于对所述历史数据录入模块和所述数据后处理模块中的存储数据进行修改。
进一步地，所述数据库还包括，数据输出模块，用于导出所述目标短时预测数据、所述目标年均预测数据和所述目标历史腐蚀电荷量数据。
进一步地，所述数据库还包括，登录模块，用于通过认证方式登录所述数据库，从而完成对绝缘子金属附件腐蚀电荷量数据的预测，所述认证方式包括人脸识别认证、指纹识别认证和密码认证。
由以上技术方案可知，本发明提供的一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，包括绝缘子金属附件腐蚀电荷量预测***，所述***包括：历史数据录入模块、数据预处理模块、特征量提取模块、神经网络学习训练模块、外部环境输入模块、神经网络预测模块和时间序列分析模块。历史试验数据经过预处理和特征量提取后，进行神经网络学习训练，得到神经网络预测模型，再结合未来一段时间的气候数据，得到第一短时腐蚀电荷量预测数据；对经过预处理和特征量提取后的历史试验数据，进行时间序列分析，得到未来多年的年均腐蚀电荷量预测数据和第二短时腐蚀电荷量预测数据。由年均腐蚀电荷量预测数据，对绝缘子金属附件保护装置的设计进行指导；通过对比第一短时腐蚀电荷量预测数据和第二短时腐蚀电荷量预测数据，可提高腐蚀电荷量预测的准确性，并可对绝缘子的运行状态进行评估，进而保障电网的稳定运行。
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为本发明实施例示出的绝缘子金属附件腐蚀电荷量预测***的结构示意图；
图2为本发明实施例示出的一种基于绝缘子金属附件腐蚀电荷量预测***的数据库的结构示意图。
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、完整的描述，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。
本发明实施例提供一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，包括绝缘子金属附件腐蚀电荷量预测***10，如图1所示，所述***包括：历史数据录入模块101、数据预处理模块102、特征量提取模块103、神经网络学习训练模块104、外部环境输入模块105、神经网络预测模块106和时间序列分析模块107。
所述历史数据录入模块101，用于接收并存储绝缘子金属附件腐蚀试验的历史试验数据，所述试验数据包括历史气候数据和历史腐蚀电荷量数据，所述历史气候数据包括相对湿度数据、温度数据和降雨信息数据；将所述历史试验数据发送至数据预处理模块102。其中，所述降雨信息数据为记录试验过程中，是否出现降雨的信息数据。
所述历史数据录入模块101可以与绝缘子金属附件腐蚀电荷量在线监测***连接，使绝缘子金属附件腐蚀电荷量在线监测***的试验数据，可以不断地录入所述历史数据录入模块101中，有利于扩展所述数据库的数据量。
所述数据预处理模块102，用于根据所述历史试验数据对应的试验时间，分别对所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行升序处理，即按时间升序进行数据处理。
在数据的采集过程中，很可能因为在线监测***的故障等原因造成一些数据缺失，而在数据分析处理过程中，***丢失了大量的有用信息，会使***存在不确定性，且包含空值的数据可能导致输出数据不可靠，因此有必要对缺失值进行处理。处理方法一般分为插值处理和删除处理两种，因为在统计金属附件腐蚀电荷量的过程中需要将记录的腐蚀电荷量进行累加，因此只考虑插值处理的情况。所述数据预处理模块102，还用于分别对升序后的所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行插值处理，并将处理后的所述历史试验数据发送至特征量提取模块103。
考虑到金属腐蚀电荷量数据、相对湿度数据、温度数据和降雨信息数据一般具有连贯性，不会在以分钟为单位的短时间内出现很大的突变，因此在缺失值的处理上采用就近插值的方法，即根据缺失值附近的其他记录信息对数据进行插值补齐。
所述特征量提取模块103，用于根据处理后的所述历史试验数据，提取出每小时相对湿度、每天最大温差、每日降雨信息、每小时腐蚀电荷量和年均腐蚀电荷量的统计数据；分别将所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据发送至神经网络学习训练模块104；分别将所述每小时腐蚀电荷量和所述年均腐蚀电荷量的统计数据发送至时间序列分析模块107。
所述神经网络学习训练模块104，用于根据所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据进行神经网络学习训练，并得到神经网络预测模型；将所述神经网络预测模型发送至神经网络预测模块106。
外部环境输入模块105，用于接收未来气候数据；根据所述未来气候数据对应的试验时间，分别对所述相对湿度数据、所述温度数据和所述降雨信息数据进行升序处理；分别对升序后的所述相对湿度数据、所述温度数据和所述降雨信息数据进行缺失值处理；根据处理后的所述未来气候数据，提取出未来一段时间内的每小时相对湿度、每天最大温差和每日降雨信息的统计数据；将未来一段时间内的所述每小时相对湿度、所述每天最大温差和所述每日降雨信息的统计数据发送至神经网络预测模块106。
所述神经网络预测模块106，用于根据未来一段时间内的所述每小时相对湿度、所述每天最大温差和所述每日降雨信息的统计数据，以及所述神经网络预测模型，对未来一段时间内的金属附件腐蚀电荷量进行预测，得到与所述未来气候数据相对应的第一短时腐蚀电荷量预测数据。
人类大脑在信息处理过程中主要依靠神经元之间的相互作用，人工神经网络对这一过程进行模拟，进而来分析处理一些复杂问题，神经网络在处理非线性问题上具有很大的优势。
神经网络由输入层、隐藏层和输出层构成，每层由多个神经元构成。神经元的输出可以由多个输入来决定。神经网络具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，便于计算机实现。简化的神经网络数学模型，其输入与输出之间的对应关系如下：
yi＝f(Xi)
式中：kji表示从细胞j到细胞i的连接权重；xj,j＝1,2,…,n为神经元的输入信号；θi为神经元的阈值；n为输入信号的数目；Xi为神经元的输入；yi为神经元的输出。
利用神经网络算法进行训练学习时，就是来改变神经元之间的连接权重，训练算法通过不断调整这些连接权重，进而达到最优预测。
利用神经网络算法进行预测时，其具体工作过程如下：
(1)对数据进行归一化处理：这一步的目的是为了加快数据在训练过程中的收敛速度。需要把数据映射到(0,1)区间内。转换公式如下：
式中：xi为原始数据，xi′为原始数据进行归一化处理后的数值，xmax、xmin分别对象原始数据的最大值以及最小值。利用上述方法将每小时相对湿度，每日最大温差和每小时累积金属腐蚀电荷量进行归一化处理。
(2)对数据进行分类，将已有的数据分为训练数据和测试数据。
(3)建立神经网络。这里主要用到了多层感知器模型，首先根据变量来确定输入层的神经元数量，根据因变量来设置输出层的神经元数量，因为这里因变量为金属腐蚀电荷量，所以设置输出层神经元为1个。根据输出层以及输入层的神经元数量确定出隐藏层神经元数量。其中隐藏层的激活函数选取为双曲正切函数。
(4)对神经网络进行训练测试。依据训练数据以及神经元数量对神经网络的训练目标、训练次数和学习速度进行设置，并利用测试数据对训练后的神经网络模型进行测试，得到神经网络多层感知器模型。
(5)利用神经网络多层感知器模型对绝缘子金属附件腐蚀电荷量进行预测。
相对湿度、降雨和温差是影响绝缘子金属附件腐蚀电荷量的主要因素。因此可以将每小时相对湿度数据、每天最大温差数据和每日降雨信息数据作为变量，将金属附件腐蚀电荷量作为因变量来进行神经网络的建模，并进行训练测试，得到一个比较准确的基于神经网络算法的绝缘子金属附件腐蚀电荷量的预测模型，即为上述神经网络多层感知器模型。然后可以利用未来一段时间内的气候情况，获取每小时相对湿度数据、每天最大温差数据和每日降雨信息数据，作为神经网络多层感知器模型的输入值，则神经网络多层感知器模型的输出值即为第一短时腐蚀电荷量预测数据。
所述时间序列分析模块107，用于对所述年均腐蚀电荷量数据进行时间序列分析，并对未来多年内的金属附件腐蚀电荷量进行预测，得到年均腐蚀电荷量预测数据；根据所述每小时腐蚀电荷量数据预测未来一段时间内的腐蚀电荷量数据，得到第二短时腐蚀电荷量预测数据。
时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，因此要对历史数据进行处理以消除其影响。
时间序列分析法广泛应用于探究特征量随时间发展变化的规律上。时间序列分析法的预测效果较好，且数据处理过程较为简单，时间序列的综合分析步骤主要如下：
(1)找到影响时间序列的变动因素，确定其变动类型。
(2)测定季节变化对时间序列的影响程度。
(3)利用得到的季节变化影响因子对时间序列进行修订，消除其影响。
(4)利用消除了季节影响之后的时间序列对变化趋势进行拟合。
(5)计算时间序列的周期波动幅度和周期长度。
(6)对时间序列进行预测。
如图2所示，所述基于绝缘子金属附件腐蚀电荷量预测***的数据库，还包括：登录模块20、数据后处理模块21、数据查询模块22、数据输出模块23和数据修改模块24。
所述数据后处理模块21，用于存储所述第一短时腐蚀电荷量预测数据、所述第二短时腐蚀电荷量预测数据和年均腐蚀电荷量预测数据；判断所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据是否相同；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据相同，则将所述第一短时腐蚀电荷量预测数据作为短时腐蚀电荷量预测数据；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据不相同，则将所述第一短时腐蚀电荷量预测数据和对应的所述第二短时腐蚀电荷量预测数据的平均值，作为短时腐蚀电荷量预测数据。
数据查询模块22，用于向所述数据后处理模块21发送短时预测数据查询指令；
所述数据后处理模块21，还用于接收所述短时预测数据查询指令；从所述短时腐蚀电荷量预测数据中，查找出与所述短时预测数据查询指令相匹配的目标短时预测数据；将所述目标短时预测数据发送至所述数据查询模块22；
所述数据查询模块22，还用于接收所述目标短时预测数据，并对所述目标短时预测数据进行分析，通过所述目标短时预测数据，可以得出对应的未来时间段内绝缘子金属附件保护装置的损失量，从而对绝缘子金属附件保护装置的状态进行评估，以保证绝缘子的安全运行，从而实现电网的安全运行。
所述数据查询模块22，还用于向所述数据后处理模块21发送年均预测数据查询指令；
所述数据后处理模块21，还用于接收所述年均预测数据查询指令；从所述年均腐蚀电荷量预测数据中，查找出与所述年均预测数据查询指令相匹配的目标年均预测数据；将所述目标年均预测数据发送至所述数据查询模块22；
所述数据查询模块22，还用于接收所述目标年均预测数据，并对所述目标年均预测数据进行分析，从而对绝缘子金属附件保护装置的设计进行指导。
所述数据查询模块22，还用于向所述历史数据录入模块101发送历史数据查询指令；
所述历史数据录入模块101，还用于接收所述历史数据查询指令；从所述历史腐蚀电荷量数据中，查找出与所述历史数据查询指令相匹配的目标历史腐蚀电荷量数据；将所述目标历史腐蚀电荷量数据发送至所述数据查询模块22；
所述数据查询模块22，还用于接收所述目标历史腐蚀电荷量数据，并对所述目标历史腐蚀电荷量数据进行分析,使用户可以根据实际需要，通过所述数据库随时查看绝缘子金属附件腐蚀电荷量在线监测***的历史试验数据。
所述数据输出模块23，用于导出所述目标短时预测数据、所述目标年均预测数据和所述目标历史腐蚀电荷量数据，用户可以将所需数据输出至自定义文件夹当中，还可以打印预测数据报告和数据分析报告等。
所述数据修改模块24，用于对所述历史数据录入模块101和所述数据后处理模块21中的存储数据进行修改。当对历史数据录入模块101中的存储数据进行修改，修改后的数据仍存储在历史数据录入模块101中；当对数据后处理模块21中的存储数据进行修改，修改后的数据仍存储在数据后处理模块21中。
所述登录模块20，用于通过认证方式登录所述数据库，从而完成对绝缘子金属附件腐蚀电荷量数据的预测、查询、修改和输出。其中，所述认证方式包括人脸识别认证、指纹识别认证和密码认证，可以保证所述数据库的安全性。
由以上技术方案可知，本发明提供的一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，包括绝缘子金属附件腐蚀电荷量预测***，所述***包括：历史数据录入模块、数据预处理模块、特征量提取模块、神经网络学习训练模块、外部环境输入模块、神经网络预测模块和时间序列分析模块。历史试验数据经过预处理和特征量提取后，进行神经网络学习训练，得到神经网络预测模型，再结合未来一段时间的气候数据，得到第一短时腐蚀电荷量预测数据；对经过预处理和特征量提取后的历史试验数据，进行时间序列分析，得到未来多年的年均腐蚀电荷量预测数据和第二短时腐蚀电荷量预测数据。由年均腐蚀电荷量预测数据，对绝缘子金属附件保护装置的设计进行指导；通过对比第一短时腐蚀电荷量预测数据和第二短时腐蚀电荷量预测数据，可提高腐蚀电荷量预测的准确性，并可对绝缘子的运行状态进行评估，进而保障电网的稳定运行。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，包括：绝缘子金属附件腐蚀电荷量预测***，所述***包括：
历史数据录入模块，用于接收并存储绝缘子金属附件腐蚀试验的历史试验数据，所述试验数据包括历史气候数据和历史腐蚀电荷量数据，所述历史气候数据包括相对湿度数据、温度数据和降雨信息数据；将所述历史试验数据发送至数据预处理模块；
所述数据预处理模块，用于根据所述历史试验数据对应的试验时间，分别对所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行升序处理；分别对所述相对湿度数据、所述温度数据、所述降雨信息数据和所述腐蚀电荷量数据进行缺失值处理；将处理后的所述历史试验数据发送至特征量提取模块；
所述特征量提取模块，用于根据处理后的所述历史试验数据，提取出每小时相对湿度、每天最大温差、每日降雨信息、每小时腐蚀电荷量和年均腐蚀电荷量的统计数据；分别将所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据发送至神经网络学习训练模块；分别将所述每小时腐蚀电荷量和所述年均腐蚀电荷量的统计数据发送至时间序列分析模块；
所述神经网络学习训练模块，用于根据所述每小时相对湿度、所述每天最大温差、所述每日降雨信息和所述每小时腐蚀电荷量的统计数据进行神经网络学习训练，并得到神经网络预测模型；将所述神经网络预测模型发送至神经网络预测模块；
外部环境输入模块，用于接收未来气候数据，并对所述未来气候数据进行处理；将处理后的所述未来气候数据发送至神经网络预测模块；
所述神经网络预测模块，用于根据处理后的所述未来气候数据和所述神经网络预测模型对未来一段时间内的金属附件腐蚀电荷量进行预测，得到与所述未来气候数据相对应的第一短时腐蚀电荷量预测数据；
所述时间序列分析模块，用于对所述年均腐蚀电荷量数据进行时间序列分析，并对未来多年内的金属附件腐蚀电荷量进行预测，得到年均腐蚀电荷量预测数据；根据所述每小时腐蚀电荷量数据预测未来一段时间内的腐蚀电荷量数据，得到第二短时腐蚀电荷量预测数据。
2.根据权利要求1所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据库还包括：
数据后处理模块，用于存储所述第一短时腐蚀电荷量预测数据、所述第二短时腐蚀电荷量预测数据和年均腐蚀电荷量预测数据；判断所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据是否相同；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据相同，则将所述第一短时腐蚀电荷量预测数据作为短时腐蚀电荷量预测数据；如果所述第一短时腐蚀电荷量预测数据和所述第二短时腐蚀电荷量预测数据不相同，则将所述第一短时腐蚀电荷量预测数据和对应的所述第二短时腐蚀电荷量预测数据的平均值，作为短时腐蚀电荷量预测数据。
3.根据权利要求2所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据库还包括数据查询模块；
所述数据查询模块，用于向所述数据后处理模块发送短时预测数据查询指令；
所述数据后处理模块，还用于接收所述短时预测数据查询指令；从所述短时腐蚀电荷量预测数据中，查找出与所述短时预测数据查询指令相匹配的目标短时预测数据；将所述目标短时预测数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标短时预测数据；对所述目标短时预测数据进行分析，并评估绝缘子的运行状态。
4.根据权利要求3所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据查询模块，还用于向所述数据后处理模块发送年均预测数据查询指令；
所述数据后处理模块，还用于接收所述年均预测数据查询指令；从所述年均腐蚀电荷量预测数据中，查找出与所述年均预测数据查询指令相匹配的目标年均预测数据；将所述目标年均预测数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标年均预测数据，并对所述目标年均预测数据进行分析。
5.根据权利要求4所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据查询模块，还用于向所述历史数据录入模块发送历史数据查询指令；
所述历史数据录入模块，还用于接收所述历史数据查询指令；从所述历史腐蚀电荷量数据中，查找出与所述历史数据查询指令相匹配的目标历史腐蚀电荷量数据；将所述目标历史腐蚀电荷量数据发送至所述数据查询模块；
所述数据查询模块，还用于接收所述目标历史腐蚀电荷量数据，并对所述目标历史腐蚀电荷量数据进行分析。
6.根据权利要求2所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据库还包括，数据修改模块，用于对所述历史数据录入模块和所述数据后处理模块中的存储数据进行修改。
7.根据权利要求5所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据库还包括，数据输出模块，用于导出所述目标短时预测数据、所述目标年均预测数据和所述目标历史腐蚀电荷量数据。
8.根据权利要求1所述的基于绝缘子金属附件腐蚀电荷量预测***的数据库，其特征在于，所述数据库还包括，登录模块，用于通过认证方式登录所述数据库，从而完成对绝缘子金属附件腐蚀电荷量数据的预测，所述认证方式包括人脸识别认证、指纹识别认证和密码认证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710127249.2A CN106874511B (zh) | 2017-03-06 | 2017-03-06 | 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710127249.2A CN106874511B (zh) | 2017-03-06 | 2017-03-06 | 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106874511A CN106874511A (zh) | 2017-06-20 |
| CN106874511B true CN106874511B (zh) | 2020-05-05 |
Family
ID=59170775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710127249.2A Active CN106874511B (zh) | 2017-03-06 | 2017-03-06 | 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106874511B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358366B (zh) * | 2017-07-20 | 2020-11-06 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及*** |
| CN110073426B (zh) * | 2017-11-23 | 2021-10-26 | 北京嘀嘀无限科技发展有限公司 | 估计到达时间的***和方法 |
| CN110515930A (zh) * | 2019-09-03 | 2019-11-29 | 清华大学 | 临界水、二氧化碳和氢气混合物热物性数据库及构建方法 |
| CN111965099B (zh) * | 2020-07-06 | 2023-04-25 | 国网山东省电力公司电力科学研究院 | 一种大气腐蚀性数据补偿方法、***、介质及电子设备 |
| CN113128111A (zh) * | 2021-04-12 | 2021-07-16 | 中国南方电网有限责任公司超高压输电公司昆明局 | 特高压电路中运行参数的诊断方法及诊断装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004105820A1 (en) * | 2003-05-28 | 2004-12-09 | Sudo Premium Engineering Co., Ltd. | Indoor atmosphere purifier using ion cluster |
| CN103048260A (zh) * | 2012-12-29 | 2013-04-17 | 南方电网科学研究院有限责任公司 | 一种直流瓷绝缘子铁帽加速电腐蚀试验方法 |
| CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
-
2017
- 2017-03-06 CN CN201710127249.2A patent/CN106874511B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004105820A1 (en) * | 2003-05-28 | 2004-12-09 | Sudo Premium Engineering Co., Ltd. | Indoor atmosphere purifier using ion cluster |
| CN103048260A (zh) * | 2012-12-29 | 2013-04-17 | 南方电网科学研究院有限责任公司 | 一种直流瓷绝缘子铁帽加速电腐蚀试验方法 |
| CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 基于PEA原理的一种新型电缆绝缘空间电荷测量***;潘雪峰;《上海电力学院学报》;20150111;第30卷(第5期);第447-450页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106874511A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874511B (zh) | 一种基于绝缘子金属附件腐蚀电荷量预测***的数据库 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
| CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
| CN109711453B (zh) | 一种基于多变量的设备动态健康状态评估方法 | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN110766212A (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN103268519A (zh) | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 | |
| CN111080982A (zh) | 一种基于多传感器的大坝安全智能监测与预警***及方法 | |
| CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及*** | |
| CN112115636B (zh) | 一种电力电缆绝缘老化寿命超前预测方法及*** | |
| CN113554361B (zh) | 一种综合能源***数据处理计算方法及处理*** | |
| Tang et al. | Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation | |
| CN116167527B (zh) | 纯数据驱动的电力***静态安全运行风险在线评估方法 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| CN105488335A (zh) | 一种基于李雅普诺夫指数的电力***负荷预测方法及装置 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| Chen et al. | Integrating EMD with multivariate LSTM for time series QoS prediction | |
| Vijayan | Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN115856756A (zh) | 一种电能计量箱故障评估方法 | |
| Wibawa et al. | Deep Learning Approaches with Optimum Alpha for Energy Usage Forecasting. | |
| CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN112734141A (zh) | 一种多元化负荷区间预测方法及装置 | |
| CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 650217 No. 105 Yunda West Road, Kunming Economic and Technological Development Zone, Yunnan Province Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, YUNNAN POWER GRID Co.,Ltd. Patentee after: Tsinghua Shenzhen International Graduate School Address before: 650217 No. 105 Yunda West Road, Kunming Economic and Technological Development Zone, Yunnan Province Patentee before: ELECTRIC POWER RESEARCH INSTITUTE, YUNNAN POWER GRID Co.,Ltd. Patentee before: GRADUATE SCHOOL AT SHENZHEN, TSINGHUA University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210128 Address after: 650217 No. 105 Yunda West Road, Kunming Economic and Technological Development Zone, Yunnan Province Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, YUNNAN POWER GRID Co.,Ltd. Address before: 650217 No. 105 Yunda West Road, Kunming Economic and Technological Development Zone, Yunnan Province Patentee before: ELECTRIC POWER RESEARCH INSTITUTE, YUNNAN POWER GRID Co.,Ltd. Patentee before: Tsinghua Shenzhen International Graduate School |