CN109697570B - 变电站二次设备状态评估方法、***及设备 - Google Patents
变电站二次设备状态评估方法、***及设备 Download PDFInfo
- Publication number
- CN109697570B CN109697570B CN201811616118.1A CN201811616118A CN109697570B CN 109697570 B CN109697570 B CN 109697570B CN 201811616118 A CN201811616118 A CN 201811616118A CN 109697570 B CN109697570 B CN 109697570B
- Authority
- CN
- China
- Prior art keywords
- secondary equipment
- state evaluation
- equipment state
- data
- learning machine
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims description 34
- 238000005516 engineering process Methods 0.000 claims description 34
- 230000007547 defect Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 25
- 230000036541 health Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种变电站二次设备状态评估方法,涉及变电站二次设备评估的技术领域,搭建二次设备状态云技术平台,该二次设备状态云技术平台包括分布式文件***模块及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;实时运行数据经过二次设备状态评估模型映射直接得到输出结果;本方法利用基于MapReduce的极限学习机对二次设备状态进行诊断和分析,可构建高容错性、高可伸缩性、低成本和扩展性良好的高效分布式***,有效提高对海量二次设备数据的处理能力及对分类器的分类精度。
Description
技术领域
本发明涉及变电站二次设备评估技术领域,尤其是涉及一种变电站二次设备状态评估方法、***及设备。
背景技术
二次设备的安全可靠是电力***稳定运行的有力保障。目前,针对智能变电站二次设备的状态评估方法较少,研究主要集中于继电保护装置可靠性的状态监测与评估,在继电保护***运行维护中,通常采用二次设备定期检修模式,该类方法可能存在“检修过剩”或“检修不足”导致设备健康状况不明确、故障点无法快速锁定等问题。随着智能电网的不断建设,广域测量***海量数据处理中存在的数据冗余、处理效率低等问题,特别是二次设备的激增及二次设备检查结果的无规则海量数据,现有技术不能满足对海量二次设备数据处理的要求。
发明内容
有鉴于此,本发明的目的在于提供一种变电站二次设备状态评估方法、***及设备,以提高对海量二次设备数据的处理能力及分类器的分类精度。
第一方面,本发明实施例提供了一种变电站二次设备状态评估方法,用于评估智能变电站的继电保护***的二次设备的健康状况;
数据通讯模块读取各类二次设备的历史运行数据;
信息提取模块读取数据通讯模块中的历史运行数据并将相应的数据量化为可处理的输入数据;
搭建二次设备状态云技术平台,该二次设备状态云技术平台包括分布式文件***模块及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;
实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块对输出结果的准确率进行评价,若评估结果不正确则通过二次设备状态云技术平台修正二次设备状态评估模型。
进一步的,所述数据通讯模块读取各类二次设备的历史运行数据的方法包括:
D5000***实时采集二次设备的实时运行数据并存储有二次设备的历史运行数据,数据通讯模块以客户端通讯软件通过RS485通讯协议与D5000***的服务器通讯软件交互实时运行数据及历史运行数据。
进一步的,二次设备状态云技术平台将经评价模块评估正确的输出结果通过数据通讯模块反馈至D5000***。
进一步的,二次设备的历史运行数据包括二次设备告警信息及检修信息,告警信息包括I类告警、II类告警;检修信息包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限。
进一步的,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限。
进一步的,输出结果为二次设备健康状态,输出结果包括正常、注意、异常、严重。
进一步的,所述应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练的方法包括:
步骤S1:将输入数据以二次设备状态评估训练集形式存储至分布式文件***模块中,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态;
步骤S2:读取分布式文件***模块中的二次设备状态评估训练集,通过分布式计算框架MapReduce的底层机制获取n个二次设备的训练子集,n个二次设备的训练子集的数目与二次设备状态云技术平台的Map的个数一致;
步骤S3:MapReduce框架中的Map函数逻辑依据极限学习机算法进行实现,即构建n个二次设备状态信息的极限学习机分类模型,通过训练子集对相应的极限学习机分类模型进行训练;
步骤S4:将n个Map函数的二次设备状态评估结果通过MapReduce框架中的shuffle阶段传输到Reduce函数,该Reduce函数对各二次设备状态评估结果进行整合,进而得到二次设备状态评估模型。
进一步的,二次设备状态评估模型采用极限学习机构建的分类模型实现,通过构建多个二分类模型实现二次设备状态评估的多分类,分类模型的模型输入样本为:二次设备告警次数和缺陷的具体数目,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限;输出结果为:正常、注意、异常、严重;
具体步骤如下:
式中:αi为第i个隐层节点于输入节点的权值向量;βi为第i个隐层节点于输出节点的权值向量;bi为第i个隐层节点的偏置;L为隐层节点数目;G为隐含层激活函数,这里取Sigmoid函数;N为样本数目;
步骤D3:极限学习机分类模型对样本的训练过程可以等效为对方程Hβ=T求最小二乘解,表达式如下:
第二方面,本发明实施例还提供一种变电站二次设备状态评估***,包括:
数据通讯模块,连接多类别的二次设备并读取二次设备的历史运行数据;
信息提取模块,提取数据通讯模块的二次设备的历史运行数据并将相应的数据量化为可处理的输入数据;
二次设备状态云技术平台,包括分布式文件***模块、及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;
输出结果模块,实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块,对输出结果的准确率进行评价,评估结果正确则输出结果即为二次设备状态评估结果,评估结果不正确则通过二次设备状态云技术平台修正二次设备状态评估模型。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可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变电站二次设备状态评估方法,具体包括:
数据通讯模块读取各类二次设备的历史运行数据;
信息提取模块读取数据通讯模块中的历史运行数据并将相应的数据量化为可处理的输入数据;
搭建二次设备状态云技术平台,该二次设备状态云技术平台包括分布式文件***模块及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;
实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块对输出结果的准确率进行评价,评估结果正确则输出结果即为二次设备状态评估结果,评估结果不正确则通过二次设备状态云技术平台修正二次设备状态评估模型。
本发明实施例带来了以下有益效果:本方法通过分布式文件***模块及基于MapReduce的极限学习机状态评估分类器对二次设备的历史运行数据进行训练并得到二次设备状态评估模型,后续实时的实时运行数据经过该二次设备状态评估模型映射直接得到输出结果,该输出结果可反馈至调度监控室对当前的二次设备进行相应处理,可提高对对海量二次设备数据的处理能力及分类器的分类精度,避免出现二次设备健康状况监测结果不明确、故障点无法快速锁定等问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的变电站二次设备状态评估***的示意图;
图2为本发明实施例提供的变电站二次设备状态评估方法的示意图;
图3为本发明实施例提供的应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练的方法的示意图;
图4为本发明实施例提供的二次设备状态评估模型采用极限学习机构建的分类模型实现的方法的示意图。
图标:
10-数据通讯模块;11-信息提取模块;12-二次设备状态云技术平台;121-分布式文件***模块;122-基于MapReduce的极限学习机状态评估分类器;13-输出结果模块;14-评价模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前针对智能变电站二次设备的状态评估方法较少,研究主要集中于继电保护装置可靠性的状态监测与评估,在继电保护***运行维护中,通常采用二次设备定期检修模式,该类方法可能存在“检修过剩”或“检修不足”导致设备健康状况不明确、故障点无法快速锁定等问题,基于此,本发明实施例提供的一变电站二次设备状态评估方法、***及设备,可以提高对海量二次设备数据的处理能力及分类器的分类精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种变电站二次设备状态评估方法进行详细介绍。
实施例一:
如图1-2所示,一种变电站二次设备状态评估方法,用于评估智能变电站的继电保护***的二次设备的健康状况;电力二次设备是对电力***内一次设备进行监察,测量,控制,保护,调节的辅助设备;该方法包括如下步骤:
S101:数据通讯模块10读取各类二次设备的历史运行数据,二次设备的历史运行数据包括二次设备告警信息及检修信息,告警信息包括I类告警、II类告警;检修信息包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限;
所述I类告警为I类告警一旦发生需要及时更换相关插件和模块,否则将失去对一次设备的测控和保护功能;
所述II类告警为II类告警发生时通常进行复位和重新下载软件操作就可以解决,暂时不会对二次设备运行构成直接威胁;
S102:信息提取模块11读取数据通讯模块10中的历史运行数据并将相应的数据量化为可处理的输入数据,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限;I类告警一旦发生需要及时更换相关插件和模块,否则将失去对一次设备的测控和保护功能;
S103:搭建二次设备状态云技术平台12,该二次设备状态云技术平台12包括分布式文件***模块121及基于MapReduce的极限学习机状态评估分类器122,分布式文件***模块121读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练,得到二次设备状态评估模型;
分布式文件***(HDFS)来实现分布式存储的底层支持;
MapReduce是一个在集群中处理海量数据集的程序模型,用来解决其分布式存储、运算问题。MapReduce框架屏蔽底层具体实现细节,大大降低了实现难度。大规模集群上的复杂并行计算被抽象为两个可由用户编写的函数,即Map和Reduce函数。具体描述如下:
1)Input。首先从分布式文件***读取输入数据,随后被切分成数据片。MapReduce框架为每一个Map函数分配一个数据片。
2)Map。MapReduce框架把输入的数据分片看做一组(Key,value)键值对。按用户编写的Map函数程序逻辑,运行、处理框架分配的(Key,value)键值对。最后,生成新的(Key,value)中间键值对。
3)Shuffle。此阶段把中间键值对从Map节点转移到Reduce节点中,受带宽、CPU运行速度等影响,所花费的时间可能长于map和reduce函数运行的时间。此阶段还有合并相同中间键所对应的中间值,形成(Key,list of values)以及键值排序等工作。
4)Reduce。执行用户编写的Reduce函数。迭代遍历所有中间值以及相对应的中间键或中间键链(list of values),运行用户设定的数据处理逻辑,输出新的(key,value)键值对。
5)Output。把Reduce的输出结果,输出至指定的分布式文件***(HDFS)路径下。
S104:实时运行数据经过二次设备状态评估模型映射直接得到输出结果,输出结果包括正常、注意、异常、严重;
S105:评价模块14对输出结果的准确率进行评价,若评估结果不正确则通过二次设备状态云技术平台12修正二次设备状态评估模型。
实施例二:
一种变电站二次设备状态评估方法,用于评估智能变电站的继电保护***的二次设备的健康状况,该方法包括如下步骤:
S101:数据通讯模块10读取各类二次设备的历史运行数据,数据通讯模块10读取各类二次设备的历史运行数据的方法包括:
D5000***实时采集二次设备的实时运行数据并存储有二次设备的历史运行数据,数据通讯模块10以客户端通讯软件通过RS485通讯协议与D5000***的服务器通讯软件交互实时运行数据及历史运行数据;
S102:信息提取模块11读取数据通讯模块10中的历史运行数据并将相应的数据量化为可处理的输入数据;
S103:搭建二次设备状态云技术平台12,该二次设备状态云技术平台12包括分布式文件***模块121及基于MapReduce的极限学习机状态评估分类器122,分布式文件***模块121读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练,得到二次设备状态评估模型;
S104:实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
S105:评价模块14对输出结果的准确率进行评价,若评估结果不正确则通过二次设备状态云技术平台12修正二次设备状态评估模型;
S106:二次设备状态云技术平台12将经评价模块14评估正确的输出结果通过数据通讯模块10反馈至D5000***,D5000***还可将输出结果指令发送至调度监控室。
本实施例中,二次设备状态评估***扩展为双向通讯的***,既可以用于提高对海量二次设备数据的处理能力及分类器的分类精度,还可以实时反馈实时运行数据的结果至变电站D5000***,可快速锁定故障并快速响应故障,避免出现二次设备健康状况监测结果不明确的问题。
实施例三:
一种变电站二次设备状态评估方法,用于评估智能变电站的继电保护***的二次设备的健康状况;
数据通讯模块10读取各类二次设备的历史运行数据;
信息提取模块11读取数据通讯模块10中的历史运行数据并将相应的数据量化为可处理的输入数据;
搭建二次设备状态云技术平台12,该二次设备状态云技术平台12包括分布式文件***模块121及基于MapReduce的极限学习机状态评估分类器122,分布式文件***模块121读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练,得到二次设备状态评估模型;
如图3所示,所述应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练的方法包括:
步骤S1:将输入数据以二次设备状态评估训练集形式存储至分布式文件***模块121中,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态;
步骤S2:读取分布式文件***模块121中的二次设备状态评估训练集,通过分布式计算框架MapReduce的底层机制获取n个二次设备的训练子集,n个二次设备的训练子集的数目与二次设备状态云技术平台12的Map的个数一致;
步骤S3:MapReduce框架中的Map函数逻辑依据极限学习机算法进行实现,即构建n个二次设备状态信息的极限学习机分类模型,通过训练子集对相应的极限学习机分类模型进行训练;
步骤S4:将n个Map函数的二次设备状态评估结果通过MapReduce框架中的shuffle阶段传输到Reduce函数,该Reduce函数对各二次设备状态评估结果进行整合,进而得到二次设备状态评估模型;
二次设备状态评估模型采用极限学习机构建的分类模型实现,通过构建多个二分类模型实现二次设备状态评估的多分类,分类模型的模型输入样本为:二次设备告警次数和缺陷的具体数目,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限;输出结果为:正常、注意、异常、严重;
如图4所示,具体步骤如下:
式中:αi为第i个隐层节点于输入节点的权值向量;βi为第i个隐层节点于输出节点的权值向量;bi为第i个隐层节点的偏置;L为隐层节点数目;G为隐含层激活函数,这里取Sigmoid函数;N为样本数目;
步骤D3:极限学习机分类模型对样本的训练过程可以等效为对方程Hβ=T求最小二乘解,表达式如下:
实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块14对输出结果的准确率进行评价,若评估结果不正确则通过二次设备状态云技术平台12修正二次设备状态评估模型。
实施例四:如图1所示,一种变电站二次设备状态评估***,包括:
数据通讯模块10,连接多类别的二次设备并读取二次设备的历史运行数据;
信息提取模块11,提取数据通讯模块10的二次设备的历史运行数据并将相应的数据量化为可处理的输入数据;
二次设备状态云技术平台12,包括分布式文件***模块121、及基于MapReduce的极限学习机状态评估分类器122,分布式文件***模块121读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练,得到二次设备状态评估模型;
输出结果模块13,实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块14,对输出结果的准确率进行评价,评估结果正确则输出结果即为二次设备状态评估结果,评估结果不正确则通过二次设备状态云技术平台12修正二次设备状态评估模型。
实施例五:一种电子设备,包括存储器、处理器及存储在所述存储器上并可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变电站二次设备状态评估方法,具体包括:
数据通讯模块10读取各类二次设备的历史运行数据;
信息提取模块11读取数据通讯模块10中的历史运行数据并将相应的数据量化为可处理的输入数据;
搭建二次设备状态云技术平台12,该二次设备状态云技术平台12包括分布式文件***模块121及基于MapReduce的极限学习机状态评估分类器122,分布式文件***模块121读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器122进行训练,得到二次设备状态评估模型;
实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块14对输出结果的准确率进行评价,评估结果正确则输出结果即为二次设备状态评估结果,评估结果不正确则通过二次设备状态云技术平台12修正二次设备状态评估模型。
上述实施例中的方法、***及设备,通过分布式文件***模块121及基于MapReduce的极限学习机状态评估分类器122对二次设备的历史运行数据进行训练并得到二次设备状态评估模型,后续实时的实时运行数据经过该二次设备状态评估模型映射直接得到输出结果,该输出结果可反馈至调度监控室对当前的二次设备进行相应处理,可提高对对海量二次设备数据的处理能力及分类器的分类精度,避免出现二次设备健康状况监测结果不明确、故障点无法快速锁定等问题。
附图中框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例所提供的进行计算机程序时实现变电站二次设备状态评估方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
Claims (10)
1.变电站二次设备状态评估方法,用于评估智能变电站的继电保护***的二次设备的健康状况,其特征在于:
数据通讯模块读取各类二次设备的历史运行数据;
信息提取模块读取数据通讯模块中的历史运行数据并将相应的数据量化为可处理的输入数据;
搭建二次设备状态云技术平台,该二次设备状态云技术平台包括分布式文件***模块及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;
实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块对输出结果的准确率进行评价,若评估结果不正确则通过二次设备状态云技术平台修正二次设备状态评估模型。
2.根据权利要求1所述的变电站二次设备状态评估方法,其特征在于,所述数据通讯模块读取各类二次设备的历史运行数据的方法包括:
D5000***实时采集二次设备的实时运行数据并存储有二次设备的历史运行数据,数据通讯模块以客户端通讯软件通过RS485通讯协议与D5000***的服务器通讯软件交互实时运行数据及历史运行数据。
3.根据权利要求2所述的变电站二次设备状态评估方法,其特征在于,二次设备状态云技术平台将经评价模块评估正确的输出结果通过数据通讯模块反馈至D5000***。
4.根据权利要求1所述的变电站二次设备状态评估方法,其特征在于,二次设备的历史运行数据包括二次设备告警信息及检修信息,告警信息包括I类告警、II类告警;检修信息包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限。
5.根据权利要求1所述的变电站二次设备状态评估方法,其特征在于,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限。
6.根据权利要求1所述的变电站二次设备状态评估方法,其特征在于,输出结果为二次设备健康状态,输出结果包括正常、注意、异常、严重。
7.根据权利要求1所述的变电站二次设备状态评估方法,其特征在于,所述应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练的方法包括:
将输入数据以二次设备状态评估训练集形式存储至分布式文件***模块中,输入数据包括二次设备告警次数、缺陷的具体数目及二次设备健康状态;
读取分布式文件***模块中的二次设备状态评估训练集,通过分布式计算框架MapReduce的底层机制获取n个二次设备的训练子集,n个二次设备的训练子集的数目与二次设备状态云技术平台的Map的个数一致;
MapReduce框架中的Map函数逻辑依据极限学习机算法进行实现,即构建n个二次设备状态信息的极限学习机分类模型,通过训练子集对相应的极限学习机分类模型进行训练;
将n个Map函数的二次设备状态评估结果通过MapReduce框架中的shuffle阶段传输到Reduce函数,该Reduce函数对各二次设备状态评估结果进行整合,进而得到二次设备状态评估模型。
8.根据权利要求7所述的变电站二次设备状态评估方法,其特征在于,二次设备状态评估模型采用极限学习机构建的分类模型实现,通过构建多个二分类模型实现二次设备状态评估的多分类,分类模型的模型输入样本为:二次设备告警次数和缺陷的具体数目,二次设备告警次数包括I类告警次数、II类告警次数;缺陷的具体数目包括拒动次数、误动次数、家族缺陷、反措落实、设备缺陷、使用年限;输出结果为:正常、注意、异常、严重;
具体步骤如下:
式中:αi为第i个隐层节点于输入节点的权值向量;βi为第i个隐层节点于输出节点的权值向量;bi为第i个隐层节点的偏置;L为隐层节点数目;G为隐含层激活函数,这里取Sigmoid函数;N为样本数目;
极限学习机分类模型对样本的训练过程可以等效为对方程Hβ=T求最小二乘解,表达式如下:
9.一种变电站二次设备状态评估***,包括:
数据通讯模块,连接多类别的二次设备并读取二次设备的历史运行数据;
信息提取模块,提取数据通讯模块的二次设备的历史运行数据并将相应的数据量化为可处理的输入数据;
二次设备状态云技术平台,包括分布式文件***模块、及基于MapReduce的极限学习机状态评估分类器,分布式文件***模块读取输入数据并将输入数据以二次设备状态评估训练集形式存储,应用二次设备状态评估训练集对基于MapReduce的极限学习机状态评估分类器进行训练,得到二次设备状态评估模型;
输出结果模块,实时运行数据经过二次设备状态评估模型映射直接得到输出结果;
评价模块,对输出结果的准确率进行评价,评估结果正确则输出结果即为二次设备状态评估结果,评估结果不正确则通过二次设备状态云技术平台修正二次设备状态评估模型。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可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权利要求1至8任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616118.1A CN109697570B (zh) | 2018-12-27 | 2018-12-27 | 变电站二次设备状态评估方法、***及设备 |
PCT/CN2019/110940 WO2020134361A1 (zh) | 2018-12-27 | 2019-10-14 | 变电站二次设备状态评估方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616118.1A CN109697570B (zh) | 2018-12-27 | 2018-12-27 | 变电站二次设备状态评估方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697570A CN109697570A (zh) | 2019-04-30 |
CN109697570B true CN109697570B (zh) | 2020-09-29 |
Family
ID=66232145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811616118.1A Active CN109697570B (zh) | 2018-12-27 | 2018-12-27 | 变电站二次设备状态评估方法、***及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109697570B (zh) |
WO (1) | WO2020134361A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697570B (zh) * | 2018-12-27 | 2020-09-29 | 北京科东电力控制***有限责任公司 | 变电站二次设备状态评估方法、***及设备 |
CN110837866A (zh) * | 2019-11-08 | 2020-02-25 | 国网新疆电力有限公司电力科学研究院 | 基于XGBoost的电力二次设备缺陷程度评估方法 |
CN113346614A (zh) * | 2021-05-28 | 2021-09-03 | 国网甘肃省电力公司白银供电公司 | 一种电网智能变电站二次设备状态评估*** |
CN113473515A (zh) * | 2021-05-31 | 2021-10-01 | 杭州电子科技大学 | 一种工业无线网络可靠性评估方法 |
CN114039869A (zh) * | 2021-11-09 | 2022-02-11 | 广东稳峰电力科技有限公司 | 二次设备节点模型的建立方法、通信管理方法及装置 |
CN115222104A (zh) * | 2022-06-24 | 2022-10-21 | 南京电力设计研究院有限公司 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
CN115795276B (zh) * | 2022-11-22 | 2024-04-26 | 南京电力设计研究院有限公司 | 一种基于小波分析与机器学习二次回路压板状态评估方法 |
CN116561638B (zh) * | 2023-05-24 | 2024-05-31 | 南京电力设计研究院有限公司 | 基于神经网络学习及状态评估的保护压板不对应校验方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9753066B2 (en) * | 2012-06-26 | 2017-09-05 | Battelle Memorial Institute | Methods and apparatus of analyzing electrical power grid data |
CN103366312B (zh) * | 2013-07-15 | 2016-08-10 | 国家电网公司 | 一种智能变电站云*** |
CN103617561A (zh) * | 2013-12-02 | 2014-03-05 | 深圳供电局有限公司 | 一种电网智能变电站二次设备状态评估***和方法 |
CN104283318B (zh) * | 2014-10-24 | 2016-03-23 | 国家电网公司 | 基于大数据的电力设备综合监测与预警***及其分析方法 |
CN105357311B (zh) * | 2015-11-23 | 2018-11-27 | 中国南方电网有限责任公司 | 一种云计算技术的二次设备大数据存储与处理方法 |
CN106655522B (zh) * | 2017-02-28 | 2019-06-11 | 中国南方电网有限责任公司 | 一种适用于电网二次设备运维管理的主站*** |
CN108985645A (zh) * | 2018-07-27 | 2018-12-11 | 河海大学常州校区 | 一种基于大数据分析的gis运行状态评估方法 |
CN109697570B (zh) * | 2018-12-27 | 2020-09-29 | 北京科东电力控制***有限责任公司 | 变电站二次设备状态评估方法、***及设备 |
-
2018
- 2018-12-27 CN CN201811616118.1A patent/CN109697570B/zh active Active
-
2019
- 2019-10-14 WO PCT/CN2019/110940 patent/WO2020134361A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN109697570A (zh) | 2019-04-30 |
WO2020134361A1 (zh) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697570B (zh) | 变电站二次设备状态评估方法、***及设备 | |
EP3373552A1 (en) | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid | |
CN107707431A (zh) | 一种面向云平台的数据安全监测方法及*** | |
CN111885040A (zh) | 分布式网络态势感知方法、***、服务器及节点设备 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及*** | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN112685207A (zh) | 错误评估的方法、设备和计算机程序产品 | |
CN112559305A (zh) | 不间断电源***内部关键模块性能预测方法、装置和设备 | |
CN114021425B (zh) | 电力***运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN113743246A (zh) | 一种基于深度学习的关键电能设备故障诊断方法 | |
CN117669176A (zh) | 一种基于网络简化法的配电网可靠性评估方法及装置 | |
CN117635106A (zh) | 电力设备监测方法、***、终端及存储介质 | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
Yang et al. | Data domain adaptation for voltage stability evaluation considering topology changes | |
Gęca | Performance comparison of machine learning algotihms for predictive maintenance | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
Giampieri et al. | A supervised classification system based on evolutive multi-agent clustering for smart grids faults prediction | |
CN114298413B (zh) | 一种水电机组振摆趋势预测方法 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN115632887A (zh) | 一种区块链网络异常数据检测方法、装置及设备 | |
CN114662589A (zh) | 一种电表故障研判方法、装置、设备和可读存储介质 |
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 |