CN109828182A - 一种基于故障分类处理的电网***故障分析预警方法 - Google Patents

Abstract

本发明公开了一种基于故障分类处理的电网***故障分析预警方法，涉及电网技术领域，包括以下步骤：数据采集梳理步骤：获取某一时间段内电网***的各类故障数据，并将故障数据构成时间序列数据；故障类型分类步骤：根据时间序列数据判断故障的发生是否具有周期性，根据故障是否具有周期性对故障类型进行分类；预警步骤：对分类后的故障分别建立预测模型，将不同类型的时间序列数据输入对应的预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。针对不同类型的故障建立不同的预测模型，以对不同类型的故障进行预判与警示。

Description

一种基于故障分类处理的电网***故障分析预警方法

技术领域

本发明涉及电网技术领域，特别涉及一种基于故障分类处理的电网***故障分析预警方法。

背景技术

近年来，随着计算机和通信技术的不断发展并运用于电网管理，大大提高了电网***的管理效率，保障了电网***安全稳定运行。在电网发生故障或受到扰动时，数字式保护和故障录波器等智能电子装置会记录大量的数据。例如当电网输电线路发生故障时，线路两端的继电保护设备、录波器生成故障信息，通过上述继电保护故障信息汇总与分析、电网故障判断等方法，故障信息***可形成该次故障线路两端的故障信息。

为达到较高的供电服务水平，尽可能缩短故障抢修时间，供电公司需***后续若干天的故障数量，以便提前配置故障抢修资源。因此，实现配电网故障数量较为准确的短期预测，对提高供电服务水平，提升抢修资源利用效率，具有重要意义。

当电网***规模愈加庞大时，从各变电站传输到调度中心的各业务***和各类设备产生的事件、告警、故障以及数据日志是海量的，需要大量的人工介入进行处理。这就导致了故障的定位及预测时间较长，影响了故障点定位时间，从而导致故障事件延长，问题不能及时解决也不能提前预防，用户体验不佳。为了解决这个问题，需要一套准确性高且适应性强的智能故障预警方法，能利用这些大量的数据，适应性的对不同类型的故障进行预判与警示。

发明内容

本发明意在提供一种基于故障分类处理的电网***故障分析预警方法，针对不同类型的故障建立不同的预测模型，以对不同类型的故障进行预判与警示。

为解决上述技术问题，本发明提供的基础方案如下：

一种基于故障分类处理的电网***故障分析预警方法，包括以下步骤：

数据采集梳理步骤：获取某一时间段内电网***的各类故障数据，并将故障数据构成时间序列数据；

故障类型分类步骤：根据时间序列数据判断故障的发生是否具有周期性，根据故障是否具有周期性对故障类型进行分类；

预警步骤：对分类后的故障分别建立预测模型，将不同类型的时间序列数据输入对应的预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。

本发明的技术方案，获取某一时间段内电网***的各类故障数据，并将故障数据构成时间序列数据，有多少类故障数据，就有多少个时间序列数据；根据时间序列数据判断故障的发生是否具有周期性，以故障是否具有周期性为标准对故障类型进行分类；并分别对不同类型的故障建立不同的预测模型，使用不同的预测模型对不同的故障进行预测，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警，通过建立预警红线，相关工作人员可直观地观测到每个时刻电网***的故障数量是否超过预警红线，当故障数量超过预警红线时，工作人员能够根据不同的故障及警示原因生成相关应对方案，从而有效预防故障的发生。对比于传统的单一算法模型预测方式，本发明针对不同类型的故障建立不同的预测模型，大大提高了算法的适应性和准确性。在对未来的时间序列预测中效率更高，更加精确，提高故障预警的可靠性与实用性。

进一步，所述故障类型分类步骤还包括：若故障具有周期性，则为常规性故障；若故障不具有周期性，则为重要性故障；

所述预警步骤具体包括：

故障类型判断步骤：判断故障类型为常规性故障还是重要性故障，若为常规性故障，则执行S101和S102；若为重要性故障，则执行S103；

S101：获取时间序列数据，建立第一预测模型，将时间序列数据输入第一预测模型中，通过评价指标不断对模型参数进行优化，并获得预测模型的最优模型参数；

S102：根据最优模型参数获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警；

S103：获取时间序列数据，建立第二预测模型，将时间序列数据输入第二预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。

故障类型判断步骤判断故障类型为常规性故障还是重要性故障，常规性故障是指经常发生且具有周期性，重要性故障是指很少发生且不具有周期性。

当为常规性故障时，建立第一预测模型，将时间序列数据输入第一预测模型中，通过评价指标不断对模型参数进行优化，并获得预测模型的最优模型参数；根据最优模型参数获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。第一预测模型通过评价指标不断对模型参数进行优化，也就是使用故障自修式迭代学习法修正模型，提高模型的精确度。

当为要性故障时，建立第二预测模型，将时间序列数据输入第二预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。也就是不需要对模型参数进行优化。

进一步，所述S101中：利用SARIMA算法建立第一预测模型；所述S103中：利用MA算法建立第二预测模型。

当时间序列表现出季节性变化和线性趋势时，可将随机季节模型和模型组合成季节时间序列模型即模型来描述该时间序列，称为SARIMA。SARIMA模型是一种短时预测模型，核心要点是对数据的处理，同时将去值拟合后产生的误差作为分析要素，突出的优势在于短时预测结果的精度较高。针对重要性故障的特殊性，使用拟合程度较高的MA算法建立模型，相比于SARIMA模型，MA模型的建立更为便捷。

进一步，所述S1中：通过AIC评价指标不断对模型参数进行优化。

AIC信息准则即Akaike information criterion，是衡量统计模型拟合优良性(Goodness of fit)的一种标准。

进一步，所述故障类型判断步骤：若为常规性故障，则执行S101、S102和S104；

S104：获取时间序列数据，在每个周期的预设时刻对时间序列数据进行采样，并计算得出相邻两个时刻的时间序列数据的斜率值，并根据预设时刻的个数计算得出平均斜率值，当平均斜率值大于预设的斜率阈值时，进行预警。

对于周期性放大的时间序列而言，预测结果也是周期性放大的，若执行S101和S102步骤，得到的预警红线也会跟着预测结果周期性放大，这样有可能会超出预测的正常范围，所以需要另外一种判断方式，即执行S104，在每个周期的预设时刻对时间序列数据进行采样，并计算得出相邻两个时刻的时间序列数据的斜率值，并根据预设时刻的个数计算得出平均斜率值，当平均斜率值大于预设的斜率阈值时，说明增长速度过快，进行预警。

进一步，所述S101具体包括：

S101-1：获取时间序列数据，对时间序列数据绘图，判断该时间序列数据是否为平稳时间序列，若为非平稳时间序列，则执行S101-2；若为平稳时间序列，则执行S101-3；

S101-2：对非平稳时间序列要先进行d阶差分运算，化为平稳时间序列，再执行S101-3；

S101-3：以AIC最优为评价指标，不断对模型参数进行优化，并获得预测模型的最优模型参数。

只有时间序列数据为平稳时间序列，才能带入第一预测模型进行计算。

附图说明

图1为本发明一种基于故障分类处理的电网***故障分析预警方法实施例的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

如图1所示，本发明一种基于故障分类处理的电网***故障分析预警方法，包括以下步骤：

数据采集梳理步骤：获取某一时间段内电网***的各类故障数据，并将故障数据构成时间序列数据；具体地，在电网输电线路上分布设置多个监测节点，例如，监测节点为线路两端的录波器，本实施例获取的是某一时间段内电网***各个监测节点的各类故障数据；有多少类故障数据，就有多少个时间序列数据，例如，有3类错误码出现，则代表有3种故障，则有3个时间序列，具体地，故障数据为错误码的次数；本实施例获取的是一天之内24h的电网***的各类故障的时间序列数据，预测的是未来24小时的故障数量；

故障类型分类步骤：根据时间序列数据判断故障的发生是否具有周期性，根据故障是否具有周期性对故障类型进行分类；若故障具有周期性，则为常规性故障；若故障不具有周期性，则为重要性故障；

预警步骤：对分类后的故障分别建立预测模型，将不同类型的时间序列数据输入对应的预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。

本实施例中，预警步骤具体包括：

故障类型判断步骤：判断故障类型为常规性故障还是重要性故障，若为常规性故障，则执行S101、S102和S104；若为重要性故障，则执行S103；

S101：获取时间序列数据，利用SARIMA算法建立第一预测模型，将时间序列数据输入第一预测模型中，通过AIC评价指标不断对模型参数进行优化，并获得预测模型的最优模型参数；

S102：根据最优模型参数获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警；本实施例预设倍数为2倍；

S103：获取时间序列数据，利用MA算法建立第二预测模型，将时间序列数据输入第二预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警；

S104：获取时间序列数据，在每个周期的预设时刻对时间序列数据进行采样，并计算得出相邻两个时刻的时间序列数据的斜率值，并根据预设时刻的个数计算得出平均斜率值，当平均斜率值大于预设的斜率阈值时，进行预警。

一、针对常规性故障

常规性故障分为周期性放大故障和非周期性放大故障。

A、针对非周期性放大的故障：

1、ARIMA算法预测模型建立

ARIMA模型的全称叫做自回归移动平均模型，记作ARIMA(p,d,q)。其含义为：假设一个随机过程含有d个单位根，其经过d次差分后可以变换为一个平稳的自回归移动平均过程，则该随机过程称为单积(整)自回归移动平均过程。一般形式为

Φ(L)Δ^dx_t＝δ+Θ(L)u_t

其中，x_t为原序列，L表示后移算子，Δ^d＝(1-L)^d为d阶差分，Φ(L)＝1-Φ₁L-Φ₂L²-…-Φ_pL^p，Θ(L)＝1-θ₁L-θ₂L²-…θ_pL^p，u_t为零均值白噪声系列。

2、SARIMA模型(第一预测模型)建立

当时间序列表现出季节性变化和线性趋势时，可将随机季节模型和模型组合成季节时间序列模型即模型来描述该时间序列，称为SARIMA。SARIMA模型是一种短时预测模型，核心要点是对数据的处理，同时将去值拟合后产生的误差作为分析要素，突出的优势在于短时预测结果的精度较高。SARIMA模型的一般形式表示为

Φ_p(L)A_P(L^T)(Δ^dΔ^Tx_t)＝Θ(L)B_Q(L^T)u_t

式中T表示季节性序列的变化周期；L表示滞后算子；Φ_p(L)、A_P(L^T)分别表示非季节与季节自回归多项式；Θ(L)、B_Q(L^T)则分别表示非季节与季节移动平均多项式；下标P、Q、p、q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数；d、D分别表示非季节和季节性差分次数.在实际应用中，若原序列同时包含趋势性和季节性，可表示为SeasonalARIMA(p,d,q)×(P,D,Q,T)模型。

算法主要步骤如下：

a、获取序列数据x_t，根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。通过差分和季节差分把原序列转换成一个平稳的序列。

对于非平稳时间序列要先进行d阶差分运算，化为平稳时间序列。

式中，w_t为平稳序列。

b、得到w_t～ARMA(p,q)，模型形式为

c、以AIC为评价指标，不断迭代改变SARIMA模型参数，获取使AIC指标最优的SARIMA模型参数，获得模型x_t～SARIMA(p,d,q)×(P,D,Q,T)，其中T为固定周期。

3、基于AIC评价指标的模型优化

AIC信息准则即Akaike information criterion，是衡量统计模型拟合优良性(Goodness of fit)的一种标准。其计算公式如下：

其中为惩罚因子。

迭代是重复反馈过程的活动，其目的通常是为了逼近所需目标或结果。我们参考R语言中的arima标准，以(p,d,q)＝(5，2，5)，(P,D,Q)＝(5，2，5)为最大值，1为步长，依次减小(p,d,q)和(P,D,Q)中各个参数值，实现p*d*q*P*D*Q(即5*2*5*5*2*5＝2500)次遍历计算，然后在结果中选取使AIC指标最小的SARIMA最优模型参数。

B、针对周期性放大的故障：

对于周期性放大的时间序列而言，预测结果也是周期性放大的，若执行S101和S102步骤，得到的预警红线也会跟着预测结果周期性放大，这样有可能会超出预测的正常范围，所以需要另外一种判断方式，即采取计算周期性放大的时间序列斜率值的方式，即在每个周期的预设时刻采样，并计算得出相邻两个时刻的时间序列数据的斜率值，并根据预设时刻的个数计算得出平均斜率值，当平均斜率值大于预设的斜率阈值时，说明增长速度过快，进行预警。

例如对一天24h进行分箱，分为24个箱，预设时刻为24个整点，每个整点对错误码次数进行采样，使用对应时刻的错误码次数进行一元回归，得到24个趋势，即得到24个斜率值，平均下来即为一日之中整体周期性放大时间序列的平均斜率值。

综上，只要为常规性故障，都要经过S101、S102和S104，当实际的时间序列超出预警红线的范围或者平均斜率值大于预设的斜率阈值时，都会进行预警。

二、针对重要性故障

1、MA算法模型(第二预测模型)建立

MA(q)模型又名q阶移动平均模型，其模型表达式如下

x_t＝μ+u_t+θ₁u_t-1+θ₂u_t-2+…+θ_qu_t-q

x_t-μ＝(1+θ₁L+θ₂L²+…+θ_qL^q)u_t＝Θ(L)u_t

其中u_t是白噪声过程。

相比于SARIMA模型，MA模型的建立更为便捷。首先，获取序列数据x_t，对数据绘图，观察是否为平稳序列。由于大量先验知识表明，重要性故障普遍为平稳序列，可以直接用于自相关系数的求取，无需进行d阶差分运算。

求取MA(q)自相关系数ρ_k：

x_t＝μ+u_t+θ₁u_t-1+θ₂u_t-2+…+θ_qu_t-q

当k>q时，ρ_k＝0，x_t与x_t+k不相关，这种现象称为截尾，因此可根据自相关系数是否从某一点开始一直为0来判断MA(q)模型的阶数q，确定了阶数q后，即可得到预测结果。

例如，对MA(1)过程X_t＝ε_t-θε_t-1，可求出MA(1)过程的自相关函数为

可见，当k>1时，ρ_k>0，即x_t与x_t+k不相关，MA(1)自相关函数是截尾的。

三、预警红线的建立

针对非周期性放大的故障以及重要性故障，以预测结果为中心，以2倍标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警；在实际电网运行中，当实际的故障时间序列超出了预警红线，或者实际的故障时间序列的平均斜率值超出了预设的斜率阈值，即对各种故障进行警示，工作人员可对错误进行统计，工作人员能够根据不同的故障及警示原因生成相关应对方案，从而有效预防故障的发生。对比于传统的单一算法模型预测方式，本发明针对不同类型的故障建立不同的预测模型，大大提高了算法的适应性和准确性。在对未来的时间序列预测中效率更高，更加精确，提高故障预警的可靠性与实用性。

实施例二

本实施例与实施例一的区别在于，还包括：

数据库，预先存储有各个监测节点的地址信息，以及监测节点所检测的线路信息，线路信息包括安装时间和地址属性，地址属性包括户内和户外，所述监测节点的地址信息与线路信息一一对应；本实施例中的监测节点为线路两端的录波器；具体地，线路信息为：监测节点A检测的是编号为0012的线路，该线路的安装时间为2018年4月12日，该线路位于户内；监测节点B检测的是编号为0045的线路，该线路的安装时间为2018年5月1日，该线路位于户外；监测节点C检测的是编号为0036的线路，该线路的安装时间为2018年4月12日，该线路位于户外；

预警判断步骤：判断实际的故障时间序列是否超过预警红线，以及判断平均斜率值是否大于斜率阈值；该预警判断可以为工作人员肉眼观看，例如显示屏上呈现的是预警红线和实际的故障时间序列，当观测到实际的故障时间序列超过预警红线时，通过启动按钮启动下一步步骤；本实施例采用计算机自动判断实际的故障时间序列是否超过预警红线，以及判断平均斜率值是否大于斜率阈；

线路调取步骤：当实际的故障时间序列超过预警红线或者平均斜率值大于斜率阈值时，根据发送故障数据的监测节点的地址信息匹配数据库中一一对应的线路信息，并根据线路信息从数据库中调取与该线路安装时间相同的所有线路信息；当实际的故障时间序列超过预警红线或者平均斜率值大于斜率阈值时，也就是故障出现了异常，由于数据库预先存储有各个监测点的地址信息，当某一监测节点出现故障时，***就已获取该监测节点的地址信息，然后根据该地址信息匹配数据库中一一对应的线路信息，找到该监测节点所检测的线路，并找到与该线路同批次安装的其他线路，也就是同一天安装的其他线路；例如：假设出现故障的是监测节点A，此时调取到与编号为0012的线路同一天安装的编号为0036的线路；

地址属性判断步骤：判断调取的线路信息中的地址属性为户内还是户外，若地址属性为户内，则执行S201；若地址属性为户外，则执行S202；也就是判断编号为0036的线路的地址属性；

S201：根据调取的线路信息将线路标记为一级易出故障线路；

S202：根据调取的线路信息将线路标记为三级易出故障线路；0036的线路的地址属性为户外，所以将该线路标记为三级易出故障线路，级数越高，易出故障的概率越大，因为同一批次安装的线路的使用寿命相同，通过安装时间来预测线路有可能会发生故障，从而重点关注该线路；线路在户外会受到日晒雨淋，所以相对于户内的线路来说，出现故障的概率要高一些，所以级数要高一些；

地址范围划分步骤：以三级易出故障线路的中点为圆心，以预设距离值为半径画圆，从数据库中调取所画圆范围内的其他所有监测节点，并判断调取的监测节点所检测的线路的安装时间是否先于出现故障的监测节点所检测的线路安装时间；若先于出现故障的监测节点所检测的线路安装时间，则执行S203；若晚于出现故障的监测节点所检测的线路安装时间，则执行S204；在以安装时间为基准预测故障的基础上，本步骤是利用环境因素来预测故障发生的可能性，由于处于同一片区的线路所受到的环境相同，所以线路出现问题的可能性大致相同；具体地，以三级易出故障线路的中点为圆心，以预设距离值为半径画圆，从数据库中调取所画圆范围内的其他所有监测节点，也就是以0036的线路的中点为圆心，假设在规定的范围内找到的监测节点有D、E，监测节点D检测的是编号为0078的线路，该线路的安装时间为2018年1月1日；监测节点D检测的是编号为0026的线路，该线路的安装时间为2018年9月5日，然后判断编号为0078和0026的线路的安装时间是否先于编号为0012的线路的安装时间；

S203：将对应的线路标记为四级易出故障线路；由于编号为0078的线路安装时间先于编号为0012的线路，所以编号为0078的线路被标记为四级易出故障线路；

S204：将对应的线路标记为二级易出故障线路；由于编号为0026的线路安装时间晚于编号为0012的线路，所以编号为0026的线路被标记为二级易出故障线路，因为安装时间先于出现故障的线路的话，说明该线路的使用时间比出现故障的线路的使用时间还长，出现故障的可能性极大，需要重点关注；而安装时间如果晚于出现故障的线路的话，也就是晚于三级易出故障线路的安装时间，所以被标记为二级易出故障线路。

在以安装时间为基准预测故障的基础上，再利用环境因素来预测故障发生的可能性，从而对不同安装时间和地区的线路划分易出故障的等级，根据等级不同来预测故障发生的可能性的高低，工作人员能够根据不同的故障等级对不同的线路提前采取不同的措施，提高了故障预测的精确性和可靠性。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (6)

1.一种基于故障分类处理的电网***故障分析预警方法，其特征在于，包括以下步骤：

数据采集梳理步骤：获取某一时间段内电网***的各类故障数据，并将故障数据构成时间序列数据；

故障类型分类步骤：根据时间序列数据判断故障的发生是否具有周期性，根据故障是否具有周期性对故障类型进行分类；

预警步骤：对分类后的故障分别建立预测模型，将不同类型的时间序列数据输入对应的预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。

2.根据权利要求1所述的基于故障分类处理的电网***故障分析预警方法，其特征在于，所述故障类型分类步骤还包括：若故障具有周期性，则为常规性故障；若故障不具有周期性，则为重要性故障；

所述预警步骤具体包括：

故障类型判断步骤：判断故障类型为常规性故障还是重要性故障，若为常规性故障，则执行S101和S102；若为重要性故障，则执行S103；

S101：获取时间序列数据，建立第一预测模型，将时间序列数据输入第一预测模型中，通过评价指标不断对模型参数进行优化，并获得预测模型的最优模型参数；

S102：根据最优模型参数获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警；

S103：获取时间序列数据，建立第二预测模型，将时间序列数据输入第二预测模型中，获得预测结果，以预测结果为中心，以预设倍数的标准差为宽度建立预警红线，以预警红线为依据判断是否进行预警。

3.根据权利要求2所述的基于故障分类处理的电网***故障分析预警方法，其特征在于，所述S101中：利用SARIMA算法建立第一预测模型；所述S103中：利用MA算法建立第二预测模型。

4.根据权利要求2所述的基于故障分类处理的电网***故障分析预警方法，其特征在于，所述S101中：通过AIC评价指标不断对模型参数进行优化。

5.根据权利要求2所述的基于故障分类处理的电网***故障分析预警方法，其特征在于，所述故障类型判断步骤：若为常规性故障，则执行S101、S102和S104；

S104：获取时间序列数据，在每个周期的预设时刻对时间序列数据进行采样，并计算得出相邻两个时刻的时间序列数据的斜率值，并根据预设时刻的个数计算得出平均斜率值，当平均斜率值大于预设的斜率阈值时，进行预警。

6.根据权利要求4所述的基于故障分类处理的电网***故障分析预警方法，其特征在于，所述S101具体包括：

S101-1：获取时间序列数据，对时间序列数据绘图，判断该时间序列数据是否为平稳时间序列，若为非平稳时间序列，则执行S101-2；若为平稳时间序列，则执行S101-3；

S101-2：对非平稳时间序列要先进行d阶差分运算，化为平稳时间序列，再执行S101-3；

S101-3：以AIC最优为评价指标，不断对模型参数进行优化，并获得预测模型的最优模型参数。