CN109063885A - 一种变电站异常量测数据预测方法 - Google Patents

Abstract

本发明公开了一种变电站异常量测数据预测方法，包括：数据抽取；数据分析；数据清洗；属性构造；异常量测预测模型；平稳性检查；白噪声检测；模型识别；模型检验；模型评价；模型评价达标后，利用模型对量测数据检测。本发明利用时序分析法、K‑mean聚类分析、极大似然比方法来进行异常量测的预测，从数据源中选取历史数据和实时数据，利用K‑mean聚类分析变电站量测的典型值，对抽取的值周期性进行分析以及进行数据清洗、数据变换后，数据熟化进而作为建模的数据；采用时间序列分析法对建模的数据进行构建，利用模型预测变电站的量测数据；通过比对预测数据和变电站量测标准值以及正常范围进行比对和判断，将比对结果进行形象化展示。

Description

一种变电站异常量测数据预测方法

技术领域

本发明属于电力***技术领域，尤其涉及一种基于大数据的变电站异常量测数据预测方法。

背景技术

随着电网自动化程度越来越高，尤其是新一代智能站的投运，站内诸多业务，产生巨量的数据，包括实时的量测值、遥控、遥信值、SOE信号等，也产生了海量的历史数据，同时智能设备本身也产生本设备的相关信息。电网规模越来越大、变电站数据也越来越多，把电网最关键的量测数据进行分析，建立一个大数据预测平台，对异常量测信息进行监控、展示，就显得尤为重要。

现在变电站量测数据主要通过通讯管理机采集，通过网络设备远传到电网自动化SCADA***。当自动化主站发现量测信息异常时，一般量测装置已经发生异常。量测装置异常后，维修周期长、影响范围大。如何在利用量测数据，***异常量测，做到提前维护，将大大提高电网自动化运维的工作时效性。

发明内容

针对现在变电站量测数据采集、存储的中的不足，本发明的目的在于提供一种基于大数据算法的异常量测监测方法，可以利用本基于异常量测数据预测平台对变电站量测数据进行实时监控、展示与预警。根据对变电站历史数据的深入挖掘，生成相关规则，当量测数据与规则不符时，即为异常量测。当预测某量测装置即将出现异常量测时，展示工作站会产生相关告警信息，自动化运维人员根据告警信息，就可以第一时间对量测装置进行提前维护，保证量测数据的完整、正确，本发明提供了一种变电站异常量测数据预测方法。

本发明所采用的具体技术方案为：

一种变电站异常量测数据预测方法，至少包括如下步骤：

S1：数据抽取；具体为：量测HIS磁盘阵列中的历史数据，通过SQL数据库，查询YCdata表，进而获取每个变电站的量测的历史数据；实时数据通过数据采集服务器采集数据，所采集的数据由前置服务器经过隔离装置传送；

S2：数据分析；

S3：数据清洗；具体为：通过K-means聚类分析的方法，找到同一个量测点的典型值，并剔除极端值和重复值；

设一共有N个数据点需要分为K个cluster，K‐means要做的就是最小化：

在上述函数中，J为数据集各点到中心点的距离和，μ_k的值应当是所有cluster K中数据点的平均值；在数据点n被归类到cluster K的时候为1，否则为0；Xn表示第n个数据；r_nk为数据筛选器；

寻找r_nk和μ_k来最小化J，此处采取迭代的办法：先固定μ_k，选择最优的r_nk，将数据点归类到离他最近的那个中心就能保证J最小；下一步则固定r_nk，再求最优的μ_k；将J对μ_k求导并令导数等于零，得到J最小的时候μ_k应该满足：

由于每一次迭代都是取到J的最小值，因此J只会不断地减小或者不变，而不会增加，这保证了K-means最终会到达一个极小值；通过K-mean聚类分析的方法，分析中心点，找到量测点的典型值，并剔除极端值和重复值；

S4：属性构造；每个量测值均包含厂站名、间隔信息和采集时间三个信息，将数据清洗后的量测值，进行重新构造，将量测值的所有信息均囊括在量测值的名称中；

S5：异常量测预测模型；具体为：首先通过对数据进行平稳性测试，如果不平稳，进行平稳性处理；数据平稳后，对数据进行白噪声测试，没有通过白噪声测试，识别模型属于AR，MA和ARMA中的哪种模型，并确定模型的阶数，确定ARIMA参数的p、q参数；模型识别后需要对模型校验，检测模型残差序列是否是白噪声，如果没有通过测试，需要对模型再次确定；对通过的模型，利用极大似然法进行模型参数估计；最后对应用模型进行测试，将实际值与预测值进行误差分析；如果误差值在业务允许范围内，表明拟合成功，模型建模结束，否则重新估计参数；

S6：平稳性检查；利用单位根检验的方法或者绘制量测值的时序图，查看平稳性，防止伪回归的现象发生；

S7：白噪声检测；具体为：利用LB统计量的方法对差分后的数据进行平稳性检查；

选取量测数据的x₁、x₂、x₃、x₄、x₅，进行一阶差分平稳，即x₂-x₁这样；对平稳后的数据进行白噪声检测；然后利用MATLAB中的lbqtest函数做白噪声检测，当输出的h为1则为白噪声，表明数据被利用完了；否则包含可用数据；

S8：模型识别；采用极大似然比的方法进行模型参数估计，估计各个参数的值；然后针对各个不同的模型，采用BIC信息准则对模型进行定阶，确定p、q参数，从而选择最优模型；

S9：模型检验；模型确定后，检验其残差序列是否为白噪声，如果不是，表明数据还没有利用完，修改模型参数或者重新利用数据；

S10：模型评价；通过量测预测结果与实时值进行对比，从绝对值、方差、平均误差三个角度进行分析；

S11：模型评价达标后，利用模型对量测数据进行检测，当预测值发生跳变和/或变化速率异常和/或数据超范围时，发出告警。

本发明的优点及积极效果为：

本发明利用时序分析法、K-mean聚类分析、极大似然比等的方法来进行异常量测的预测。通过从数据源中选取历史数据和实时数据，利用K-mean聚类分析变电站量测的典型值，作为参考。然后对抽取的值周期性进行分析以及进行数据清洗、数据变换后，数据熟化，可以作为建模的数据；采用时间序列分析法对建模的数据进行构建，利用模型预测变电站的量测数据；通过比对预测数据和变电站量测标准值以及规定的正常范围进行比对、判断，并将比对结果通过展示工作站进行形象化展示。变电站异常量测预测平台包括数据采集层、数据整合层、数据挖掘层和展示层。本发明所述的数据预测平台可以对对变电站上传的量测数据进行分析和挖掘，对异常的数据实时预警，在变电站量测装置出现异常前及时采取措施防患于未然。

附图说明

图1是本发明实施例中变电站异常量测预测平台的结构框图；

图2是本发明实施例中预测算法的流程图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

请参阅图1和图2：一种变电站异常量测数据预测方法，包括：

S1：数据抽取：量测的是历史数据存放在图1所示的HIS磁盘阵列中，通过SQL数据库，查询YCdata表，可以查询到每个变电站的量测的历史数据，例如抽取**变电站2016-1-1—2017-1-1HIS磁盘阵列中量测历史数据。实时数据通过数据采集服务器采集前置服务器通过隔离装置传送的数据，例如读取前置量测表中**变电站11开关-37开关量测信息。

S2：数据分析：为了建模的需要，需要对数据的平稳性进行探索。通过绘制时序图，可以初步分析数据的平稳性。

S3：数据清洗：通过K-mean聚类分析的方法，找到同一个量测点的典型值，并剔除极端值和重复值。

设我们一共有N个数据点需要分为K个cluster，K‐means要做的就是最小化：

这个函数，其中r_nk在数据点n被归类到cluster K的时候为1，否则为0。直接寻找r_nk和μ_k来最小化J并不容易，不过我们可以采取迭代的办法：先固定μ_k，选择最优的r_nk，很容易看出，只要将数据点归类到离他最近的那个中心就能保证J最小。下一步则固定r_nk，再求最优的μ_k。将J对μ_k求导并令导数等于零，很容易得到J最小的时候μ_k应该满足：

亦即μ_k的值应当是所有cluster K中的数据点的平均值。由于每一次迭代都是取到J的最小值，因此J只会不断地减小(或者不变)，而不会增加，这保证了K-means最终会到达一个极小值。通过K-mean聚类分析的方法，分析中心点，找到量测点的典型值，并剔除极端值和重复值。

S4：属性构造：每个量测值，均包含厂站名、所述间隔信息、采集时间三个信息，将数据清洗后的量测值，进行重新构造，将量测值的所有信息均囊括在量测值的名称中，例如110KV_wxj_11Kaiguan_2016-2-1。

S5：异常量测预测模型：首先通过对数据进行平稳性测试，如果不平稳，进行平稳性处理。数据平稳后，对数据进行白噪声测试，没有通过白噪声测试，识别模型属于AR，MA和ARMA哪种模型，并确定模型的阶数，确定ARIMA参数的p、q参数。模型识别后需要对模型校验，检测模型残差徐磊是否是白噪声，如果没有通过测试，需要对模型再次确定。对通过的模型，利用极大似然法进行模型参数估计。最后对应用模型进行测试，将实际值与预测值进行误差分析。如果误差值在业务允许范围内，表明拟合成功，模型建模结束，否则重新估计参数。

S6：平稳性检查：利用单位根检验的方法或者绘制量测值的时序图，查看平稳性，防止伪回归的现象发生。

S7：白噪声检测：利用LB统计量的方法对差分后的数据进行平稳性检查。

S8：模型识别：采用极大似然比的方法进行模型参数估计，估计各个参数的值。然后针对各个不同的模型，采用BIC信息专则对模型进行定阶，确定p、q参数，从而选择最优模型。

S9：模型检验：模型确定后，检验其残差序列是否为白噪声，如果不是，表明数据还没有利用完，修改模型参数或者重新利用数据。

S10：模型评价：通过量测预测结果与实时值进行对比，从绝对值、方差、平均误差三个角度进行分析。

S11：模型评价达标后，利用模型对量测数据进行检测，当预测值发生跳变、变化速率异常、数据超范围等，发出告警。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (1)

1.一种变电站异常量测数据预测方法，其特征在于，至少包括如下步骤：

S1：数据抽取；具体为：量测HIS磁盘阵列中的历史数据，通过SQL数据库，查询YCdata表，进而获取每个变电站的量测的历史数据；实时数据通过数据采集服务器采集数据，所采集的数据由前置服务器经过隔离装置传送；

S2：数据分析；

S3：数据清洗；具体为：通过K-means聚类分析的方法，找到同一个量测点的典型值，并剔除极端值和重复值；

设一共有N个数据点需要分为K个cluster，K‐means要做的就是最小化：

在上述函数中，J为数据集各点到中心点的距离和，μ_k的值应当是所有clusterK中数据点的平均值；在数据点n被归类到clusterK的时候为1，否则为0；Xn表示第n个数据；r_nk为数据筛选器；

寻找r_nk和μ_k来最小化J，此处采取迭代的办法：先固定μ_k，选择最优的r_nk，将数据点归类到离他最近的那个中心就能保证J最小；下一步则固定r_nk，再求最优的μ_k；将J对μ_k求导并令导数等于零，得到J最小的时候μ_k应该满足：

由于每一次迭代都是取到J的最小值，因此J只会不断地减小或者不变，而不会增加，这保证了K-means最终会到达一个极小值；通过K-mean聚类分析的方法，分析中心点，找到量测点的典型值，并剔除极端值和重复值；

S4：属性构造；每个量测值均包含厂站名、间隔信息和采集时间三个信息，将数据清洗后的量测值，进行重新构造，将量测值的所有信息均囊括在量测值的名称中；

S5：异常量测预测模型；具体为：首先通过对数据进行平稳性测试，如果不平稳，进行平稳性处理；数据平稳后，对数据进行白噪声测试，没有通过白噪声测试，识别模型属于AR，MA和ARMA中的哪种模型，并确定模型的阶数，确定ARIMA参数的p、q参数；模型识别后需要对模型校验，检测模型残差序列是否是白噪声，如果没有通过测试，需要对模型再次确定；对通过的模型，利用极大似然法进行模型参数估计；最后对应用模型进行测试，将实际值与预测值进行误差分析；如果误差值在业务允许范围内，表明拟合成功，模型建模结束，否则重新估计参数；

S6：平稳性检查；利用单位根检验的方法或者绘制量测值的时序图，查看平稳性，防止伪回归的现象发生；

S7：白噪声检测；具体为：利用LB统计量的方法对差分后的数据进行平稳性检查；

选取量测数据的x₁、x₂、x₃、x₄、x₅，进行一阶差分平稳，即x₂-x₁这样；对平稳后的数据进行白噪声检测；然后利用MATLAB中的lbqtest函数做白噪声检测，当输出的h为1则为白噪声，表明数据被利用完了；否则包含可用数据；

S8：模型识别；采用极大似然比的方法进行模型参数估计，估计各个参数的值；然后针对各个不同的模型，采用BIC信息准则对模型进行定阶，确定p、q参数，从而选择最优模型；

S9：模型检验；模型确定后，检验其残差序列是否为白噪声，如果不是，表明数据还没有利用完，修改模型参数或者重新利用数据；

S10：模型评价；通过量测预测结果与实时值进行对比，从绝对值、方差、平均误差三个角度进行分析；

S11：模型评价达标后，利用模型对量测数据进行检测，当预测值发生跳变和/或变化速率异常和/或数据超范围时，发出告警。