CN111784537B - 一种配电网状态参数监测方法、装置及电子设备 - Google Patents
一种配电网状态参数监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111784537B CN111784537B CN202010622269.9A CN202010622269A CN111784537B CN 111784537 B CN111784537 B CN 111784537B CN 202010622269 A CN202010622269 A CN 202010622269A CN 111784537 B CN111784537 B CN 111784537B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- historical
- parameter
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 427
- 238000012544 monitoring process Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 18
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 230000009466 transformation Effects 0.000 description 17
- 238000005065 mining Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001960 triggered 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种配电网状态参数监测方法、装置及电子设备,获得配电网在目标时刻下的配电网监测数据,配电网监测数据包括多项状态参数;在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的目标参数组,目标参数组中包含多项状态参数;其中,集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻;获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值;在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种配电网状态参数监测方法、装置及电子设备。
背景技术
配电网络位于电力***的末端,并直接与大多数用电客户进行交互,其运行状况的好坏将对供电可靠性以及客户的用电体验造成直接影响。目前通过对客户平均停电时间数据的统计分析表明,停电时间中90%是由配电网故障引起的。因此,需要对配电网是否出现故障状态进行实时监测。
目前,在进行配电网故障状态的监测时,针对采集到的配电网电流和电压数据,通常是设置固定阈值来确定电流或电压等状态参数是否出现异常。
但是,在实际环境中,配电网可能会因为用电客户发生变化或者用电客户的用户状态发生变化而相应出现不同的特点,如用电量、用电功率等可能会因为用户客户的改变而不同的,因此,使用单一固定的阈值对配电网状态参数进行监测时会存在监测不准确的情况。
发明内容
有鉴于此,本申请提供一种配电网状态参数监测方法、装置及电子设备,如下:
一种配电网状态参数监测方法,所述方法包括:
获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;
在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数;
其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;
在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果。
上述方法,优选的,所述方法还包括:
预先获得所述配电网对应的集合,具体包括:
获得第一历史状态数据,所述第一历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
对所述第一历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;
根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;
至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;
分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组,每个所述历史时刻对应的预设参数组组成所述配电网对应的集合。
上述方法,优选的,在对所述目标模糊规则语句进行反模糊化处理之前,所述方法还包括:
对所述目标模糊规则语句中满足逻辑矛盾条件的至少两个模糊规则语句根据模糊规则语句的兴趣度值进行筛选,以删除所述满足逻辑矛盾条件的模糊规则语句中兴趣度值小于或等于兴趣度阈值的模糊规则语句;
其中,所述逻辑矛盾条件包括:模糊规则语句之间至少有一项状态参数对应的模糊集合不同。
上述方法,优选的,在对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选之前,所述方法还包括:
将所述初始模糊规则语句中相同的模糊规则语句进行合并,其中,所述相同的模糊规则语句为:模糊规则语句之间在每项状态参数上对应的模糊集合以及在所述模糊集合上对应的隶属度值均相同。
上述方法,优选的,在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,包括:
在所述配电网监测数据中的多项状态参数中,获得所述配电网监测数据对应的至少一项第一状态参数;
根据所述第一状态参数,在包含有多个预设参数组的集合中,获得目标参数组,其中,目标参数组中包含至少一项第二状态参数,且所述第二状态参数与所述第一状态参数相匹配。
上述方法,优选的,所述参数相似度值满足预设的报警条件,包括:
所述参数相似度值小于或等于相似度阈值;
其中,所述相似度阈值通过以下方式获得:
获得第二历史状态数据,所述第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
对所述第二历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;
根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;
至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;
分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组;
获得所述预设参数组与所述第二历史状态数据中的配电网历史数据之间的最小相似度值;
根据所述最小相似度值,获得相似度阈值。
上述方法,优选的,输出与所述配电网监测数据相对应的报警结果,包括:
输出第一报警结果,所述第一报警结果用于提示所述配电网的状态参数出现异常;
和/或,
输出第二报警结果,所述第二报警结果用于提示所述配电网中的目标状态参数出现异常;其中,所述目标状态参数通过以下方式确定:
获得所述配电网监测数据中的每项所述状态参数分别与其在所述目标参数组中对应的状态参数之间的参数误差数据;
将满足误差异常条件的参数误差数据所对应的状态参数确定为目标状态参数。
上述方法,优选的,所述误差异常条件包括:所述参数误差数据中的相对误差值在所有所述状态参数对应的参数误差数据中最大;
其中,所述相对误差值为:参数差值与所述目标参数组中对应的状态参数的参数值之间的比值,所述参数差值为:所述配电网监测数据中的所述状态参数与其在所述目标参数组中对应的状态参数之间的参数值的差值。
一种配电网状态参数监测装置,装置包括:
第一获取单元,用于获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;
第二获取单元,用于在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数,其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
第三获取单元,用于获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;
输出单元,用于在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果。
一种电子设备,电子设备包括:
存储器,用于存储应用程序和所述应用程序运行所产生的数据;
处理器,用于执行所述应用程序,以实现:获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;
在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数;
其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;
在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果。
从上述技术方案可以看出,本申请公开的一种配电网状态参数监测方法、装置及电子设备中,在获得到配电网在目标时刻下的包括多项状态参数的配电网监测数据之后,通过在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的同样包含多项状态参数的目标参数组,而这里的集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,历史时刻为在配电网无故障时刻段内所选取的时刻,基于此,本申请通过获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值,进而在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。可见,本申请通过获取配电网监测数据中的状态参数和配电网在无故障时段内的历史状态参数之间的参数相似度,进而根据参数相似度对配电网是否出现异常进行监测,避免单一且固定的阈值进行监测时会存在不准确的情况,本申请中能够通过状态参数之间的相似度比对来实现配电网监测,从而提高监测准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例一提供的一种配电网状态参数监测方法的流程图;
图2为本申请实施例一中的部分流程图;
图3为本实施例中的三角隶属度函数表示图;
图4为本申请实施例一中的部分流程图;
图5为本申请实施例二提供的一种配电网状态参数监测装置的结构示意图;
图6为本申请实施例二提供的另一种配电网状态参数监测装置的结构示意图;
图7为本申请实施例二提供的再一种配电网状态参数监测装置的结构示意图;
图8为本申请实施例三提供的一种电子设备的结构示意图;
图9为本申请实施例中提出的一种配电网状态参数监测方案的模块示意图。
具体实施方式
目前,在进行配电网故障状态的监测时,针对采集到的配电网电流和电压数据,通常是设置固定阈值来确定电流或电压等状态参数是否出现异常,这种方法的监测效率度并且故障判断标准粗泛。
针对以上问题,本申请的发明人经过进一步研究,提出一种配电网状态参数监测方法,能够提高监测效率,更精准的监测配电网的故障状态。具体如下:
首先,获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;之后,在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数,其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;最后,获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值,在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果。
由此,本申请通过获取配电网监测数据中的状态参数和目标参数组的集合中的状态参数来获取配电监测数据和目标参数组的参数相似度,根据参数相似度进行状态的判断,从而实现配电网正常状态参数推理及状态判断监测预警。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示,为本申请实施例一提供的一种配电网状态参数监测方法,该方法可以适用于能够进行数据处理的电子设备中,如计算机或者服务器等。本申请中的电子设备可以为配电网区域中的边缘计算设备,如台区智能配变设备等。本实施例中的技术方案主要用于在监测配电网的故障状态时,基于获取到的配电监测数据和配电网无故障状态下的状态参数的参数相似度,根据参数相似度进行状态的判断,从而实现配电网状态的监测和预警。
在具体实现中,本实施例中的方法可以包括以下步骤:
步骤101:获得配电网在目标时刻下的配电网监测数据。
其中,配电网监测数据包括多项状态参数。状态参数是指配电网在相应配变电项目上对应的参数,如配变低压侧三相电压、电流、有功功率、无功功率、频率、电压电流不平衡度、频率偏差以及台区负载率等状态参数。
而目标时刻可以是当前的实时时刻,也可以是过去历史时间段中的某一时刻。
具体实现中,本实施例中可以利用配电网设备采集配电网在目标时刻下的配电网监测数据,例如,通过电流互感器和电压互感器采集配电网在当前实时时刻下的配电网中的配变低压侧三相电压、电流、有功功率、无功功率、频率、电压电流不平衡度、频率偏差以及台区负载率等这些状态参数。
步骤102:在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的目标参数组。
其中,目标参数组中包含多项状态参数。
而集合中的预设参数组是基于配电网在多个历史时刻分别对应的配电网历史数据生成,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻;
具体实现中,本实施例中可以先在配电网无故障时间段内选取多个历史时刻,之后,在历史数据库中分别采集每个历史时刻各自所对应的配电网历史数据,其中的每个历史时刻对应的配电网历史数据中包含多项状态参数,基于配电网历史数据中的这些状态参数获取多个预设参数组,而所获得的每个预设参数组中包含有多项状态参数。基于此,步骤102中在这些预设参数组中获得与配电网监测数据所匹配的目标参数组。例如,2018年中配电网都未发生故障,那么可以选取2018年的1月份和2月份这两个历史时刻分别对应的配电网历史数据并基于此生成多个预设参数组,2018年1月份对应的配电网历史数据中包含配变低压侧三相电压和电流等状态参数,2018年2月份对应的配电网历史数据中包含有功功率和无功功率等状态参数。本申请中分别基于这些配电网历史数据获得到每个历史时刻各自对应的预设参数组,此时的预设参数组为2018年配电网正常状态即无故障状态下的状态参数组成的数据组,基于此,在这些预设参数组中获得到与配电网监测数据所对应的目标参数组,而目标参数组中也同样包含多项状态参数。需要说明的是,目标参数组中的状态参数与配电网监测数据中的状态参数在种类上是匹配的。
步骤103:获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值。
具体实现中,本实施例中可以通过构建相似度函数来获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值。
需要说明的是,目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值可以理解为目标参数组与配电网监测数据之间关于各自所包含的状态参数的相似度值,该参数相似度值表征目标参数组与配电网监测数据之间的相似程度。
步骤104:在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。
其中,参数相似度值表征目标参数组和配电网监测数据之间的相似度,而报警条件表征能够触发报警机制的条件,相应的,在参数相似度值满足报警条件的情况下,触发报警机制,此时所输出的报警结果的信息中可以包含有配电网监测数据发生故障的信息,还可以包含有配电网监测数据中某一项或多项状态参数发生故障的信息。
具体实现中,本实施例中的报警条件可以为:参数相似度值小于或等于相似度阈值。相应的,本实施例中在参数相似度值小于或等于相似度阈值的情况下,输出与配电网监测数据相对应的报警结果。
由上述方案可知,本申请实施例一提供的一种配电网状态参数监测方法,在获得到配电网在目标时刻下的包括多项状态参数的配电网监测数据之后,通过在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的同样包含多项状态参数的目标参数组,而这里的集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,历史时刻为在配电网无故障时刻段内所选取的时刻,基于此,本申请通过获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值,进而在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。可见,本申请通过获取配电网监测数据中的状态参数和配电网在无故障时段内的历史状态参数之间的参数相似度,进而根据参数相似度对配电网是否出现异常进行监测,避免单一且固定的阈值进行监测时会存在不准确的情况,本申请中能够通过状态参数之间的相似度比对来实现配电网监测,从而提高监测准确性。
基于上述本申请实施例图1公开的方法,在本申请实施例中,若要得知参数相似度,需要预先获得配电网对应的集合,具体实现过程如图2所示:
步骤201:获得第一历史状态数据。
其中,第一历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻。
具体实现中,本实施例中可以先在配电网无故障时间段内选取多个历史时刻,可以选择无故障时间段内的前部分历史时刻,也可以选择无故障时间段内的后部分历史时刻,最优的选取无故障时间段内中间部分的历史时刻,再获取这些历史时刻对应的多项状态参数作为第一历史状态数据,第一历史状态数据包括多个历史时刻分别对应的多项配电网历史状态参数。例如,2017年配电网都无故障,选取2017年中的6月份和7月份作为第一历史时间段,获取2017年6月中多个时刻下的电流状态参数和电压状态参数,将获取到的这些状态参数中每个时刻对应的多项状态参数组成该时刻下对应的一组配电网历史数据,获取2017年7月份中多个时刻下的频率状态参数和有功功率状态参数,将获取到的这些状态参数中每个时刻对应的多项状态参数组成该时刻下对应的一组配电网历史数据。多组配电网历史数据组成第一历史状态数据。
步骤202:对第一历史状态数据中每个历史时刻对应的配电网历史数据进行模糊化处理,以得到每个历史时刻对应的模糊型数据。
其中,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值。
具体的,本实施例中可以利用模糊控制器对配电网历史数据进行模糊化处理,以得到每个历史时刻对应的模糊型数据。
其中,模糊化指的是模糊控制器将模糊控制器输入量的确定值转换为相应的模糊语言变量值的过程。本实施例中的模糊化处理就是将配电网历史数据转换成正常状态参数论域下的不同状态参数模糊语言变量值的输出。
例如,本实施例中预先设置模糊论域[-6,6]分为7档,每一档确定一个模糊集合,每一个模糊集合对应的语言变量依次表示NB(负大)、NM(负中)、NS(负小)、Z(零)、PS(正小)、PM(正中)和PB(正大),并且用三角隶属度函数表示,如图3所示,图中的三角隶属度函数指的就是NB、NM、NS、Z、PS、PM、PB,第一个模糊集合指的是0到c2的数值集合,第二个模糊集合指的是c1到c3的数值集合,第三个模糊集合指的是c2到c4的数值集合,第四个模糊集合指的是c3到c5的数值集合,第五个模糊集合指的是c4到c6的数值集合,第六个模糊集合指的是c5到c7的数值集合,第七个模糊集合指的是c6到之后的某个数值的数值集合,其中,c1-c7表示模糊论域各模糊集合的中心点。
具体实现中,本实施例中可以对第一历史状态数据中每个历史时刻对应的配电网历史数据进行分档模糊集法的模糊化处理,以得到每个历史时刻对应的模糊型数据,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值。例如,本实施例中分别对2018年5月份中某个历史时刻对应的配电网的电压状态参数和电流状态参数进行分档模糊集法的模糊化处理,以得到2018年5月份对应的模糊型数据,这些模糊型数据中包括电压状态参数和电流状态参数各自对应的模糊集合及电压状态参数和电流状态参数各自所在模糊集合上对应的隶属度值。
步骤203:根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个历史时刻对应的初始模糊规则语句。
具体实现中,本实施例中根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,挖掘推理得到每个历史时刻中各个配变电状态参数之间对应的初始模糊规则语句。例如,根据2018年1月份中某个历史时刻对应的模糊型数据中的模糊集合及隶属度值,挖掘推理得到2018年1月份中该历史时刻对应的电流状态参数与电压状态参数之间对应的初始模糊规则语句。
其中,初始模糊规则语句可以理解为配电网历史数据中各项状态参数之间的关联关系或关联规则的描述语句数据。例如,关联规则可以采用If-Then语句,描述如下:
If X1=X1 i,
Then X2=X2 i,X3=X3 i,…,Xn=Xn i
其中:X1-Xn代表同一时刻下的n项配变电的状态参数,X2~n代表除X1外配变电状态参数,n代表同一时刻下的配变电的状态参数的数目;i代表关联规则的序号。
例如,2018年1月份中某个历史时刻A对应的电流状态参数与电压状态参数之间对应的初始模糊规则语句可以为:
If X1=I1 A,
Then X2=U2 A;
其中,I1 A为历史时刻A对应的电流状态参数对应的模糊集合,U2 A为历史时刻A对应的电压状态参数对应的模糊集合。
步骤204:至少对初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句。
其中,置信度指的是在所有事务中,在A出现的情况下B出现的概率,支持度指的是在所有事务中,同时出现A和B的概率。在本实施例中关联规则以最小支持度s和最小置信度c为选择标准,最小支持度s和最小置信度c的表达式如公式(1)和公式(2):
上述公式中,μ(X)代表X(X1至Xn)的隶属函数,D代表X数据集中的事务总数。本申请中可以通过以上方式获得每个初始模糊规则语句的最小支持度和最小置信度,再根据预先设置的置信度阈值和支持度阈值对初始模糊规则语句进行筛选,所筛选出来的初始模糊规则语句必须达到的最小的支持度和置信度,如公式(3):
s(X1∪X2~n)≥smin,c(X1∪X2~n)≥cmin 公式(3)
其中,smin为支持度阈值,cmin为置信度阈值。
具体实现中,本实施例中根据模糊规则语句的最小置信度值和最小支持度值至少对初始模糊规则语句进行筛选,筛选出最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句。例如,将置信度阈值和支持度阈值分别为0.3和0.6,那么将各个初始模糊规则语句中的最小支持度和最小置信度分别与相应的支持度阈值和置信度阈值作比较以实现对初始模糊规则语句进行筛选,就可以得出初始模糊规则语句中最小支持度smin大于或等于支持度阈值和最小置信度cmin大于或等于置信度阈值的目标模糊规则语句。
步骤205:分别对目标模糊规则语句进行反模糊化处理,以得到每个目标模糊规则语句对应的预设参数组。
其中,每个历史时刻对应的预设参数组组成配电网对应的集合。反模糊化指的是将推论所得到的模糊值转换为明确的状态参数的数值。
具体实现中,本实施例中通过对前面进行的模糊化处理得到的模糊规则语句进行反模糊化处理,转换得到每个目标模糊规则语句正常状态下的不同状态参数的数值型数据并且存入xml配置文件中,即配电网对应的集合。
在一种实现方式中,步骤205在对模糊规则语句集合中的目标模糊规则语句进行反模糊化处理之前,还包括以下方法:
对模糊规则语句集合中的目标模糊规则语句中满足逻辑矛盾条件的至少两个模糊规则语句根据模糊规则语句的兴趣度值进行筛选,以删除满足逻辑矛盾条件的模糊规则语句中得到兴趣度值小于或等于兴趣度阈值的目标模糊规则语句,最终得到经过筛选后保留下来的目标模糊规则语句。
其中,逻辑矛盾条件包括:模糊规则语句之间至少有一项状态参数对应的模糊集合不同。例如,目标模糊规则语句A和目标模糊规则语句B中在电流状态参数对应的模糊集合相匹配,如都处于正小的模糊集合,但是在电压状态参数对应的模糊集合分别为正小和正中,因此,目标模糊规则语句A和目标模糊规则语句B在电压状态参数上对应的模糊集合不同,这是不符合逻辑的,因此,需要对目标模糊规则语句A和目标模糊规则语句B中的其中一条语句进行删除。具体的,可以删除目标模糊规则语句A和目标模糊规则语句B中兴趣度值小于或等于兴趣度阈值的一个模糊规则语句。
具体的,兴趣度I是表征规则被关注程度的度量,兴趣度数值越大,其规则指导下参数关联性越好,其表达式如公式(4):
基于此,本实施例中针对满足逻辑矛盾条件的两条或多条目标模糊规则语句,获得各个目标模糊规则语句各自的兴趣度值,并删除这些目标模糊规则语句中兴趣度值小于或等于兴趣度阈值的模糊规则语句,例如,存在三个至少有一项状态参数对应的模糊集合不同的目标模糊规则语句,在这三个目标模糊规则语句中根据模糊规则语句的兴趣度值进行筛选,模糊规则语句的兴趣度阈值为0.5,将兴趣度值小于或等于0.5的目标模糊规则语句删除。
在一种实现方式中,步骤204在对初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选之前,还包括以下方法:
将初始模糊规则语句中相同的模糊规则语句进行合并,其中,相同的模糊规则语句为:模糊规则语句之间在每项状态参数上对应的模糊集合以及在模糊集合上对应的隶属度值均相同。
具体实现中,本实施例中将初始模糊规则语句中模糊规则语句之间在每项状态参数上对应的模糊集合以及在模糊集合上对应的隶属度值均相同的初始模糊规则语句进行合并,例如,两个初始模糊规则语句中的电压状态参数上对应的模糊集合以及在模糊集合上对应的隶属度值均为NB,那么将这两个初始模糊规则语句合并,即删除其中的一个初始模糊规则语句。
在一种实现方式中,步骤102中在获得目标参数组时,可以根据配电网监测数据中的状态参数在计划中确定与配电网监测数据所匹配的目标参数组。具体如下:
首先,在配电网监测数据中的多项状态参数中,获得配电网监测数据对应的至少一项第一状态参数;这里的第一状态参数是指配电网监测数据中具有标志性的状态参数,例如,在配电网监测数据中的低压侧三相电压、电流、有功功率、负载率、无功功率以及频率等状态参数中,电压、电流、频率和负载率为其中的标识变量,此时,获得这几项标识变量对应的第一状态参数,即获得电压、电流、频率和负载率为第一状态参数。
之后,可以根据第一状态参数,在包含有多个预设参数组的集合中,获得目标参数组。
其中,目标参数组中包含至少一项第二状态参数,这里的第二状态参数是指参数组中具有标志性的状态参数,且第二状态参数与第一状态参数相匹配。也就是说,所选取出的目标参数组中具有与配电网监测数据中的第一状态参数相一致的第二状态参数的参数组。需要说明的是,这里的第一状态参数和第二状态参数相匹配是说,第一状态参数和第二状态参数所对应的状态参数类型相同,而不是状态参数的参数值相同。需要说明的是,第一状态参数与第二状态参数并没有先后顺序之分,只是代表两部分状态参数。
具体实现中,本实施例中在配电网监测数据中的多项状态参数中获取至少两项作为配电网监测数据的第一状态参数,之后,在包含有多个预设参数组的集合中,获取目标参数组,再取目标参数组中的至少两项作为目标参数组的第二状态数据,且第一状态参数与第二状态参数相匹配,例如,配电网监测数据中的多项状态参数中含有低压侧三相电压、电流、有功功率、无功功率以及频率这些状态参数,在这些配电网监测数据中的多项状态参数获取其中的标识变量,如低压侧三相电压、电流以及有功功率作为配电网监测数据的第一状态参数,在包含有多个预设参数组的集合中,获取目标参数组,集合中的每个预设参数组集合含有低压侧三相电压、电流、有功功率、频率偏差以及台区负载率等状态参数(每个预设参数组中的状态参数类型可以有相同的也可以有不同的),之后,获取包含有低压侧三相电压、电流以及有功功率这几个状态参数的预设参数组即为目标参数组,目标参数组中的这些状态参数即为第二状态参数,此时,第一状态参数就是与第二状态参数相匹配的。
在一种实现方式中,步骤104可以通过将参数相似度值与相似度阈值进行比较,得知参数相似度值是否满足预设的报警条件,例如,在参数相似度值小于或等于相似度阈值的情况下,可以确定报警条件被满足,而在报警条件被满足的情况下,输出相应的报警结果。
其中,相似度阈值可以通过以下方式获得,如图4中所示:
步骤401:获得第二历史状态数据。
其中,第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻。
具体实现中,本实施例中可以先在配电网无故障时间段内选取多个历史时刻,可以选择无故障时间段内的前部分历史时刻,也可以选择无故障时间段内的后部分历史时刻,最优的选取无故障时间段内中间部分的历史时刻,再获取这些历史时刻对应的多项状态参数作为第二历史状态数据,第二历史状态数据包括多个历史时刻分别对应的多项配电网历史状态参数。例如,2019年配电网都无故障,选取2019年中的6月份和7月份作为第二历史时间段,获取2019年6月中多个时刻下的电压电流不平衡度和频率偏差状态参数,将获取到的这些状态参数组成一组配电网历史数据,获取2019年7月份中多个时刻下的电流和有功功率状态参数,将获取到的这些状态参数组成一组配电网历史数据。多组配电网历史数据组成第二历史状态数据。
步骤402:对第二历史状态数据中每个历史时刻对应的配电网历史数据进行模糊化处理,以得到每个历史时刻对应的模糊型数据。
其中,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值;
具体的,可以对第二历史状态数据中每个历史时刻对应的配电网历史数据进行分档模糊集法的模糊化处理,以得到每个历史时刻对应的模糊型数据,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值。
其中,步骤402中在实现模糊化处理时的实现方式可以参考前文中步骤202的实现方式,此处不再详述。
步骤403:根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个历史时刻对应的初始模糊规则语句。
具体的,根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,挖掘推理得到每个历史时刻中各个配变电状态参数之间对应的初始模糊规则语句。
其中,步骤403中在生成初始模糊语句时的实现方式可以参考前文中步骤203的实现方式,此处不再详述。
步骤404:至少对初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句。
具体的,根据模糊规则语句的最小置信度值和最小支持度值至少对初始模糊规则语句进行筛选,筛选出最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句。
其中,步骤404中在对最小置信度值和最小支持度值进行筛选时的实现方式可以参考前文中步骤204的实现方式,此处不再详述。
步骤405分别对目标模糊规则语句进行反模糊化处理,以得到每个目标模糊规则语句对应的预设参数组。
其中,步骤405中在实现反模糊化处理时的实现方式可以参考前文中步骤205的实现方式,此处不再详述。
步骤406:获得预设参数组与第二历史状态数据中的配电网历史数据之间的最小相似度值。
其中,相似度指的是两组状态参数之间相似性的度量。本实施例中可以利用向量空间距离计算算法中的欧氏距离计算方法来获得每个预设参数组和相应配电网历史数据之间的相似度值,并基于此获得最小相似度值。其中,欧氏距离公式如公式(5):
上述公式中,dij表示实时监测状态参数组xi(即配电网历史数据)与xml文件(集合)中相对应的正常状态参数组xj(即预设参数组)之间的欧氏距离,n表示状态参数组维度,k表示状态参数组内的参数序号,xik与xjk分别表示正常状态参数组xi与监测状态参数组xj对应的第k个参数元素。在工程应用中,Sij=1/(1+dij)常用于标准化欧氏距离范围到[0,1]。因此,用于评价正常状态参数组xi与监测状态参数组xj之间的相似度函数设置如公式(6):
具体实现中,将步骤305中所得到的预设参数组作为最小相似度值计算基础,获得预设参数组与第二历史状态数据中的配电网历史数据之间的最小相似度值为Sm。或者,本实施例中可以将步骤205中所得到的xml文件内配电网预设参数组(即正常状态参数数据)作为最小相似度值计算基础,获得预设参数组与第一历史状态数据中的配电网历史数据之间的最小相似度值为Sm。
例如,本实施例中获取xml配置文件内配电网预设参数组正常状态参数配变低压侧三相电压的值(为380v)和频率的值(为50hz)作为判断标准,在获得到配电网历史数据中的状态参数:配变低压侧三相电压450v和频率45hz之后,将配电网历史数据中的状态参数:配变低压侧三相电压450v和频率45hz与模糊推理得到的预设参数组中的配变低压侧三相电压380v和频率50hz进行相似度计算,得到预设参数组与第二历史状态数据中的配电网历史数据之间的最小相似度值为0.8。
步骤407:根据最小相似度值,获得相似度阈值。
具体实现中,本实施例中将最小相似度Sm与阈值系数kt的乘积设定为相似度阈值St(也可以称为相似度预警阈值),如公式(7):
St=kt·Sm 公式(7)
上述公式中,阈值系数kt可以根据实际应用中的监控灵敏度需求设置为合适的数值,例如,最小相似度Sm为0.4,阈值系数ktkt为2,那么得到相似度阀值为0.8,基于此,本实施例中在发现参数相似度值小于或等于相似度阈值St时,输出报警结果。
在一种实现方式中,步骤104在输出与配电网监测数据相对应的报警结果时,可以通过以下方式实现:
输出第一报警结果,第一报警结果用于提示配电网的状态参数出现异常;和/或,输出第二报警结果,第二报警结果用于提示配电网中的目标状态参数出现异常。
其中,在同时输出第一报警结果和第二报警结果时,第一报警结果与第二报警结果的输出可以没有先后顺序之分,或者,先输出第一报警结果再输出第二报警结果。
具体实现中,本实施例中有三种输出报警结果的情况,可以只输出第一报警结果用于提示配电网的状态参数出现异常,如配电网出现异常;也可以只输出第二报警结果用于提示配电网中的目标参数出现异常,例如,电压状态参数出现异常;还可以输出第一报警结果和第二报警结果,第一报警结果用于提示配电网的状态参数出现异常,第二报警结果用于提示配电网中的目标参数出现异常,如配电网出现异常且异常出现在电压状态参数上。
例一:将第一报警结果输出到配变电设备平台及数据库中,输出到配变电设备平台及数据库中的第一报警结果提示配电网在目标时刻下存在状态参数出现异常。
例二:将第二报警结果输出到配变电设备平台及数据库中,输出到配变电设备平台及数据库中中的第二报警结果提示配电网的状态参数中电压状态参数和电流状态参数出现异常。
例三:将第一报警结果和第二报警结果输出到配变电设备平台及数据库中,输出到配变电设备平台及数据库中中的第一报警结果提示配电网在目标时刻有状态参数出现异常,同时,第二报警结果提示配电网的状态参数中电压状态参数和电流状态参数出现异常。
其中,目标状态参数通过以下方式确定:
获得配电网监测数据中的每项状态参数分别与其在目标参数组中对应的状态参数之间的参数误差数据,将满足误差异常条件的参数误差数据所对应的状态参数确定为目标状态参数。
其中,误差异常条件包括:
参数误差数据中的相对误差值在每项状态参数对应的参数误差数据中最大,其中,相对误差值为:参数差值与目标参数组中对应的状态参数的参数值之间的比值,参数差值为:配电网监测数据中的状态参数与其在目标参数组中对应的状态参数之间的参数值的差值。
具体实现中,本实施例中将配电网监测数据中的每项状态参数与其所在目标参数组中对应的正常状态参数之间分别进行比较,先获取两者的差值再除以其所在目标参数组中对应的正常状态参数即得到相对误差,获取到这些相对误差后,将同一时刻下这一组状态参数内的多个相对误差作比较,将具有最大相对误差对应的状态参数确定为目标状态参数,例如,获取到的配电网监测数据中的电流值为500A,电压值为360V,其所在目标参数组中对应的正常状态参数电流值为600A,电压值为380V,将正常状态参数的电流值600A减去配电网监测数据中的电流值500A,再将两者的差值100A除以正常状态参数的电流值600A得到相对误差为0.167,将正常状态参数的电压值380V减去配电网监测数据中的电压值360V,再将两者的差值20V除以正常状态参数的电压值380V得到相对误差为0.053,最后取最大相对误差的电流状态参数确定为目标状态参数。
参考图5,为本申请实施例二提供的一种配电网状态参数监测装置的结构示意图,该装置可以配置在能够进行数据处理的电子设备中,本申请中的技术方案主要用于监测配电的故障以及预警,打造具有边缘计算功能的智能设备及通用软件平台,将配电网故障监测***以软件APP的形式部署于配电网设备软件平台中,以实现配电网运行状态监测及故障实时预警功能,从而提高监测效率,使故障判断标准更加精准。
具体的,该装置可以包括以下单元:
第一获取单元501,用于获得配电网在目标时刻下的配电网监测数据,配电网监测数据包括多项状态参数;
第二获取单元502,用于在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的目标参数组,目标参数组中包含多项状态参数,其中,集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻;
其中,第二获取单元402具体用于:在配电网监测数据中的多项状态参数中,获得配电网监测数据对应的至少一项第一状态参数;根据第一状态参数,在包含有多个预设参数组的集合中,获得目标参数组,其中,目标参数组中包含至少一项第二状态参数,且第二状态参数与第一状态参数相匹配。
第三获取单元503,用于获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值;
输出单元504,用于在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。
其中,输出单元504中的参数相似度值满足预设的报警条件的情况具体用于:参数相似度值小于或等于相似度阈值;其中,相似度阈值通过以下方式获得:获得第二历史状态数据,第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻;对第二历史状态数据中每个历史时刻对应的配电网历史数据进行模糊化处理,以得到每个历史时刻对应的模糊型数据,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值;根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个历史时刻对应的初始模糊规则语句;至少对初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;分别对目标模糊规则语句进行反模糊化处理,以得到每个目标模糊规则语句对应的预设参数组;获得预设参数组与第二历史状态数据中的配电网历史数据之间的最小相似度值;根据最小相似度值,获得相似度阈值。
其中,输出单元504在输出与配电网监测数据相对应的报警结果时,可以有以下几种实现方式:
输出第一报警结果,第一报警结果用于提示配电网的状态参数出现异常;和/或,输出第二报警结果,第二报警结果用于提示配电网中的目标状态参数出现异常;其中,目标状态参数通过以下方式确定:获得配电网监测数据中的每项状态参数分别与其在目标参数组中对应的状态参数之间的参数误差数据;将满足误差异常条件的参数误差数据所对应的状态参数确定为目标状态参数,误差异常条件包括:参数误差数据中的相对误差值在所有状态参数对应的参数误差数据中最大;其中,相对误差值为:参数差值与目标参数组中对应的状态参数的参数值之间的比值,参数差值为:配电网监测数据中的状态参数与其在目标参数组中对应的状态参数之间的参数值的差值。
由上述方案可知,本申请实施例二提供的一种配电网状态参数监测设备,在获得到配电网在目标时刻下的包括多项状态参数的配电网监测数据之后,通过在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的同样包含多项状态参数的目标参数组,而这里的集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,历史时刻为在配电网无故障时刻段内所选取的时刻,基于此,本申请通过获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值,进而在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。可见,本申请通过获取配电网监测数据中的状态参数和配电网在无故障时段内的历史状态参数之间的参数相似度,进而根据参数相似度对配电网是否出现异常进行监测,避免单一且固定的阈值进行监测时会存在不准确的情况,本申请中能够通过状态参数之间的相似度比对来实现配电网监测,从而提高监测准确性。
参考图6,在本申请实施例二中的装置还包括第四获取单元505,用于预先获得配电网对应的集合,第四获取单元505具体包括以下结构,如图7中所示:
历史数据获取模块701,用于获得第一历史状态数据,第一历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻。
模糊型数据获取模块702,用于对第一历史状态数据中每个历史时刻对应的配电网历史数据进行模糊化处理,以得到每个历史时刻对应的模糊型数据,每个历史时刻对应的模糊型数据中包括配电网历史数据中的每项状态参数各自对应的模糊集合及在模糊集合上对应的隶属度值。
语句获取模块703,用于根据每个历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个历史时刻对应的初始模糊规则语句。
初始筛选模块704,用于至少对初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句。
合并模块705,用于在初始筛选模块704对初始模糊规则语句进行筛选之前,将初始模糊规则语句中相同的模糊规则语句进行合并,其中,相同的模糊规则语句为:模糊规则语句之间在每项状态参数上对应的模糊集合以及在模糊集合上对应的隶属度值均相同。
反模糊化模块706,用于分别对目标模糊规则语句进行反模糊化处理,以得到每个目标模糊规则语句对应的预设参数组,每个历史时刻对应的预设参数组组成配电网对应的集合。
兴趣度筛选模块707,用于在反模糊化模块706进行反模糊化处理之前,对目标模糊规则语句中满足逻辑矛盾条件的至少两个模糊规则语句根据模糊规则语句的兴趣度值进行筛选,以删除满足逻辑矛盾条件的模糊规则语句中兴趣度值小于或等于兴趣度阈值的模糊规则语句;其中,逻辑矛盾条件包括:模糊规则语句之间至少有一项状态参数对应的模糊集合不同。
需要说明的是,本实施例中各单元的具体实现可以参考前文中相应内容,此处不再详述。
参考图8,为本申请实施例三提供的一种电子设备的结构示意图,该电子设备可以为能够进行数据处理的电子设备,如计算机或服务器等。本实施例中的电子设备主要建立韵律识别的模型。
具体的,本实施例中的电子设备可以包括以下结构:
存储器801,用于存储应用程序和应用程序运行所产生的数据;
处理器802,用于执行应用程序,以实现:获得配电网在目标时刻下的配电网监测数据,配电网监测数据包括多项状态参数;在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的目标参数组,目标参数组中包含多项状态参数;其中,集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,每个历史时刻对应的配电网历史数据中包括多项状态参数,且历史时刻为在配电网无故障时刻段内所选取的时刻;获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值;在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。
由上述方案可知,本申请实施例三提供的一种电子设备,在获得到配电网在目标时刻下的包括多项状态参数的配电网监测数据之后,通过在包含有多个预设参数组的集合中,获得与配电网监测数据相对应的同样包含多项状态参数的目标参数组,而这里的集合中的预设参数组基于配电网在多个历史时刻分别对应的配电网历史数据生成,历史时刻为在配电网无故障时刻段内所选取的时刻,基于此,本申请通过获得目标参数组中的状态参数与配电网监测数据中的状态参数之间的参数相似度值,进而在参数相似度值满足预设的报警条件的情况下,输出与配电网监测数据相对应的报警结果。可见,本申请通过获取配电网监测数据中的状态参数和配电网在无故障时段内的历史状态参数之间的参数相似度,进而根据参数相似度对配电网是否出现异常进行监测,避免单一且固定的阈值进行监测时会存在不准确的情况,本申请中能够通过状态参数之间的相似度比对来实现配电网监测,从而提高监测准确性。
需要说明的是,本实施例中处理器的具体实现可以参考前文中相应内容,此处不再详述。
以某个国家或地区的配电网监测为例,图9为本申请实施例中提出的一种配电网状态参数监测方案的模块示意图,以下各模块分别用于前期状态参数数据采集以及配电网故障监测和预警,示意图包括以下几个模块:模块1:配变电设备平台及数据库;模块2:数据采样、选取与预处理模块;模块3:模糊关联规则挖掘及专家知识库模块;模块4:状态参数相似度判断模块。
如图9所示,配变电设备平台及数据库模块与数据选取与预处理模块、状态参数相似度判断模块相连接,数据选取与预处理模块与模糊关联规则挖掘及专家知识库模块、状态参数相似度判断模块相连接,模糊关联规则挖掘及专家知识库模块与状态参数相似度判断模块相连接。
首先,配变电设备平台及数据库模块将配变电台区内的数据传输给数据采样、选取与预处理模块,同时将收到状态参数相似度判断模块发送来的最终状态参数相似度判断的故障预警信号,起到数据信息交互的平台作用;
数据采样、选取与预处理模块包含两部分:一部分为离线状态下的参数采样、选取与预处理,此部分是模糊关联规则挖掘推理机的建模基础;另一部分为在线状态下实时监测状态参数的采样、选取与预处理,此部分是状态参数相似度判断的工作基础;
模糊关联规则挖掘及专家知识库模块被用于从离线状态下采样处理后状态参数中挖掘各变量间模糊规则语句,以规则语言描述状态参数之间的相互关联性,推理得到的模糊规则语句即是专家知识库。专家知识库中的规则数据需要转变为配电网正常状态参数数值数据,并且配电网正常状态参数数值数据需被构建为配电网设备可调用的配置文件形式,以供后续状态参数判断使用;
状态参数相似度判断模块被用于比较实时监测状态参数与推理出的标准正常状态参数之间的相似度差异,超过相似度阈值时发出预警。状态参数相似度判断模块主要工作任务体现于功能APP开发编译,该APP不仅需要读取配置文件内配电网正常状态参数数值作为判断标准,还需接收实时监测状态参数数据,经过状态判断后将状态判断结果实时输出。
具体的,结合以上模块,本申请的技术方案通过以下流程实现对配电网状态参数的监测:
步骤一:从模块1配变电设备平台及数据库中寻找正常历史数据,在离线状态下对配电网监测相关历史数据进行采样、选取与预处理。按照采样时间50μs,以设备本地时间为基准,采样同一时刻下配电网故障相关数据组作为一组配电网状态参数,具体配电网状态参数包括:配变低压侧三相电压、电流、有功功率、无功功率、频率、电压电流不平衡度、频率偏差、台区负载率等状态参数。为保证数据准确性和代表性,需对数据样本进行清洗和预处理,剔除因计量错误、传感器故障、环境变化造成的离群点;
步骤二:将模块2离线状态下处理后的正常配电网状态参数输入模糊关联规则挖掘推理机模型。此步骤核心工作为利用实际配电网状态参数的历史数据,挖掘推理得到各个配电网状态参数之间的关联关系,即模糊规则语句。模糊规则语句是各监测状态参数之间的模糊项目集蕴涵式,并且两个模糊项目集中没有交集,推理机得到的模糊关联规则以规则组的形式存储在专家知识库中,每条规则中以模糊型数据定性代表参数在论域中范围等级。关联规则采用If-Then语句,描述如下:
其中:X1到Xn代表同一时刻下不同配变电状态参数,X2~n代表除X1外配电网状态参数,n代表同一时刻下不同配电网状态参数数目;i代表专家知识库中不同时刻规则序号。
对于模糊关联规则挖掘,最为关键的是,如何在大量数据对应的关联规则中选取最有价值的关联规则。对于传统模糊关联挖掘方法来说,关联规则都是以最小支持度s和最小置信度c为选择标准的,其表达式分别如公式(1)和公式(2)所示。
其中:μ(X)表示X(X1至Xn)的隶属函数,D表示X数据集中的事务总数。数据挖掘的目的在于找出可信且有代表性的规则,首先获得每个初始模糊规则语句的最小支持度和最小置信度,接着再根据预先设置的置信度阈值和支持度阈值对初始模糊规则语句进行筛选,最小支持度smin和最小置信度cmin指定了支持度和置信度的阈值,它们分别规定了关联规则成立必须达到的最小的支持度和置信度,所筛选出来的初始模糊规则语句必须达到的最小的支持度和置信度,如公式(3)。
但是若仅仅只以最小支持度和置信度条件作为规则选择标准,会出现很多推理规则均满足最小支持度和置信度条件,这些推理规则相互矛盾,会造成推理决策失败。因此,最小支持度和最小置信度通常并不能确保关联规则都是有价值的,甚至有时出现规则偏差或错误引导。
本申请进行模糊关联规则挖掘时,以传统最小支持度和置信度为基础,引入兴趣度概念以筛选最有价值的规则。兴趣度I是表征规则被关注程度的度量,兴趣度数值越大,其规则指导下参数关联性越好,其表达式为如公式(4)所示。
根据上述模糊关联规则挖掘中关联规则选择标准选择的铺垫,作为最终得到配电网正常状态参数模糊型数据,进行模块3中模糊关联规则挖掘推理机模型的详细建模步骤表述如下:
(1)确定X1至Xn代表同一时刻下的n项配变电的状态参数,对采样预处理后的配电网状态参数历史数据进行分档模糊集法的模糊化处理:将状态参数论域上的精确量分成若干档,每一档确定一个模糊集合,预先设置模糊论域为[-6,6],模糊集合个数为7,对应的语言变量依次表示NB(负大)、NM(负中)、NS(负小)、Z(零)、PS(正小)、PM(正中)和PB(正大),用三角隶属度函数表示,如图3所示。其中c1至c7表示EKB中各数据模糊集合的中心点,它们是通过K-means聚类算法对各状态参数进行聚类分析所得到的簇中心。
(2)由Step1中大量历史数据进行模糊化处理后得到的模糊型数据,建立配电网状态参数X1至Xn的初始模糊规则库Rule1。
(3)合并Rule1中X1至Xn之间的相同模糊规则语句,得到模糊规则库Rule2,根据式(1)(2)计算模糊规则库Rule2中各模糊规则对应的最小支持度smin和最小置信度cmin。
(4)依据传统规则选择标准,将最小支持度smin和置信度cmin分别设定为0.3和0.6,根据式(3),删除模糊规则库Rule2中低于最小支持度smin和置信度cmin的模糊规则语句,整理得到模糊规则库Rule3。
(5)检查模糊规则库Rule3是否存在矛盾的冗余规则,若存在,利用式(4)计算不同模糊规则语句的兴趣度,根据兴趣度最大的原则,选取Rule3中具有最大兴趣度计算结果的模糊规则语句组成模糊规则库Rule4,此时模糊规则库Rule4即为模块3中的专家知识库。
(6)以专家知识库内模糊关联规则为指导,利用MATLAB软件中模糊控制器得到正常状态参数论域下的不同状态参数归一化值的输出,即输入向量与模糊关系的合成。
(7)最后利用模糊值输出的反模糊化处理,得到正常状态下的不同状态参数数值型数据存入xml配置文件中。
步骤三:模块4参数相似度判断模块被用于比较实时监测状态参数与推理出的正常状态状态参数之间的相似度差异,因此需要构建相似度函数。相似度函数读取模块3内xml配置文件内配电网正常状态状态参数数值作为判断标准,同时接收模块2中实时监测状态参数数值作为输入,经过状态判断后需将状态判断结果实时输出至模块1配变电设备平台及数据库。上述相似度函数是描述两组状态参数样本之间相似性的度量,因此以向量空间距离中最常用的欧氏距离为基础构建,欧氏距离公式如公式(5)所示。
式中,dij表示实时监测状态参数组xi与xml文件中相对应的正常状态状态参数组xj之间的欧氏距离,n表示状态参数组维度,k表示状态参数组内参数序号,xik与xjk分别表示正常状态参数组xi与监测状态参数组xj对应的第k个参数元素。
在工程应用中,Sij=1/(1+dij)常用于标准化欧氏距离范围到[0,1]。因此,用于评价正常状态目标参数组xi与监测状态参数组xj之间的相似度函数设置如公式(6)所示。
再次从配电网设备采集正常状态下配电网状态参数历史数据,定义所有模糊推理得到的配电网正常运行状态参数组与实际正常状态参数组之间的最小相似度为Sm,将最小相似度Sm与阈值系数kt的乘积设定为相似度预警阈值St,如公式(7)所示。
当监测状态相似度低于相似度预警阈值St时***发出警报,此处阈值系数kt可以根据监控灵敏度要求设置合适数值。此外,当故障预警后,每个状态参数组中具有最大相对误差的参数序号k将被进行异常标记,从而确定故障状态参数,监测维修人员可分析故障状态参数特征配合设备巡检,最终确定故障类型。
按照以上算法逻辑,利用C++语言进行嵌入式编程开发,构建相似度函数捕捉状态参数间差异,实现实时监测状态参数与推理正常状态参数之间的比较功能。在进行linux平台编译后,所得功能APP配合步骤2中xml配置文件通过设备调试工具传送至配电网设备,最终实现在线监测配电网状态参数,故障预警发生时将预警信号通过交互接口向设备平台上报。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种配电网状态参数监测方法,其特征在于,所述方法包括:
获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;
在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数;
其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;
在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果;
所述参数相似度值满足预设的报警条件,包括:所述参数相似度值小于或等于相似度阈值;
其中,所述相似度阈值通过以下方式获得:
获得第二历史状态数据,所述第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;对所述第二历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组;获得所述预设参数组与所述第二历史状态数据中的配电网历史数据之间的最小相似度值;根据所述最小相似度值,获得相似度阈值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先获得所述配电网对应的集合,具体包括:
获得第一历史状态数据,所述第一历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
对所述第一历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;
根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;
至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;
分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组,每个所述历史时刻对应的预设参数组组成所述配电网对应的集合。
3.根据权利要求2所述的方法,其特征在于,在对所述目标模糊规则语句进行反模糊化处理之前,所述方法还包括:
对所述目标模糊规则语句中满足逻辑矛盾条件的至少两个模糊规则语句根据模糊规则语句的兴趣度值进行筛选,以删除所述满足逻辑矛盾条件的模糊规则语句中兴趣度值小于或等于兴趣度阈值的模糊规则语句;
其中,所述逻辑矛盾条件包括:模糊规则语句之间至少有一项状态参数对应的模糊集合不同。
4.根据权利要求2所述的方法,其特征在于,在对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选之前,所述方法还包括:
将所述初始模糊规则语句中相同的模糊规则语句进行合并,其中,所述相同的模糊规则语句为:模糊规则语句之间在每项状态参数上对应的模糊集合以及在所述模糊集合上对应的隶属度值均相同。
5.根据权利要求1所述的方法,其特征在于,在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,包括:
在所述配电网监测数据中的多项状态参数中,获得所述配电网监测数据对应的至少一项第一状态参数;
根据所述第一状态参数,在包含有多个预设参数组的集合中,获得目标参数组,其中,目标参数组中包含至少一项第二状态参数,且所述第二状态参数与所述第一状态参数相匹配。
6.根据权利要求1所述的方法,其特征在于,输出与所述配电网监测数据相对应的报警结果,包括:
输出第一报警结果,所述第一报警结果用于提示所述配电网的状态参数出现异常;
和/或,
输出第二报警结果,所述第二报警结果用于提示所述配电网中的目标状态参数出现异常;其中,所述目标状态参数通过以下方式确定:
获得所述配电网监测数据中的每项所述状态参数分别与其在所述目标参数组中对应的状态参数之间的参数误差数据;
将满足误差异常条件的参数误差数据所对应的状态参数确定为目标状态参数。
7.根据权利要求6所述的方法,其特征在于,所述误差异常条件包括:所述参数误差数据中的相对误差值在所有所述状态参数对应的参数误差数据中最大;
其中,所述相对误差值为:参数差值与所述目标参数组中对应的状态参数的参数值之间的比值,所述参数差值为:所述配电网监测数据中的所述状态参数与其在所述目标参数组中对应的状态参数之间的参数值的差值。
8.一种配电网状态参数监测装置,其特征在于,所述装置包括:
第一获取单元,用于获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;
第二获取单元,用于在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数,其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;
第三获取单元,用于获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;
输出单元,用于在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果,所述参数相似度值满足预设的报警条件,包括:所述参数相似度值小于或等于相似度阈值;
其中,所述相似度阈值通过以下方式获得:获得第二历史状态数据,所述第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;对所述第二历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组;获得所述预设参数组与所述第二历史状态数据中的配电网历史数据之间的最小相似度值;根据所述最小相似度值,获得相似度阈值。
9.一种电子设备,其特征在于,包括:
存储器,用于存储应用程序和所述应用程序运行所产生的数据;
处理器,用于执行所述应用程序,以实现:获得配电网在目标时刻下的配电网监测数据,所述配电网监测数据包括多项状态参数;在包含有多个预设参数组的集合中,获得与所述配电网监测数据相对应的目标参数组,所述目标参数组中包含多项状态参数;其中,所述集合中的预设参数组基于所述配电网在多个历史时刻分别对应的配电网历史数据生成,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;获得所述目标参数组中的状态参数与所述配电网监测数据中的状态参数之间的参数相似度值;在所述参数相似度值满足预设的报警条件的情况下,输出与所述配电网监测数据相对应的报警结果;
所述参数相似度值满足预设的报警条件,包括:所述参数相似度值小于或等于相似度阈值;其中,所述相似度阈值通过以下方式获得:
获得第二历史状态数据,所述第二历史状态数据包括多个历史时刻分别对应的一组配电网历史数据,每个所述历史时刻对应的配电网历史数据中包括多项状态参数,且所述历史时刻为在所述配电网无故障时刻段内所选取的时刻;对所述第二历史状态数据中每个所述历史时刻对应的配电网历史数据进行模糊化处理,以得到每个所述历史时刻对应的模糊型数据,每个所述历史时刻对应的模糊型数据中包括所述配电网历史数据中的每项状态参数各自对应的模糊集合及在所述模糊集合上对应的隶属度值;根据每个所述历史时刻对应的模糊型数据中的模糊集合及隶属度值,生成每个所述历史时刻对应的初始模糊规则语句;至少对所述初始模糊规则语句根据模糊规则语句的最小置信度值和最小支持度值进行筛选,以得到所述最小置信度值大于或等于置信度阈值且最小支持度值大于或等于支持度阈值的目标模糊规则语句;分别对所述目标模糊规则语句进行反模糊化处理,以得到每个所述目标模糊规则语句对应的预设参数组;获得所述预设参数组与所述第二历史状态数据中的配电网历史数据之间的最小相似度值;根据所述最小相似度值,获得相似度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622269.9A CN111784537B (zh) | 2020-06-30 | 2020-06-30 | 一种配电网状态参数监测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622269.9A CN111784537B (zh) | 2020-06-30 | 2020-06-30 | 一种配电网状态参数监测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784537A CN111784537A (zh) | 2020-10-16 |
CN111784537B true CN111784537B (zh) | 2023-08-01 |
Family
ID=72760579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622269.9A Active CN111784537B (zh) | 2020-06-30 | 2020-06-30 | 一种配电网状态参数监测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925806B (zh) * | 2021-04-14 | 2023-07-25 | 中国人民解放军海军航空大学岸防兵学院 | 基于关联规则的性能退化特征参数提取方法、***、介质及设备 |
CN113436030A (zh) * | 2021-06-25 | 2021-09-24 | 南京智盟电力有限公司 | 一种配电网多维度监测方法和*** |
CN114826881A (zh) * | 2022-04-15 | 2022-07-29 | 北京科杰科技有限公司 | 基于关联分析的智能运维方法和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010257227A (ja) * | 2009-04-24 | 2010-11-11 | Toshiba Corp | 監視装置およびサーバー |
CN109861291A (zh) * | 2019-03-15 | 2019-06-07 | 国网北京市电力公司 | 配电网的优化控制方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04127239A (ja) * | 1990-06-06 | 1992-04-28 | Hitachi Ltd | ファジィ推論パラメータの自動調節方法および学習状態の表示方法 |
JP3106031B2 (ja) * | 1993-04-23 | 2000-11-06 | 松下電工株式会社 | 火災警報システム |
EP2287785A1 (en) * | 2009-08-19 | 2011-02-23 | University Of Leicester | Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus |
CN101819411B (zh) * | 2010-03-17 | 2011-06-15 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
US20110298621A1 (en) * | 2010-06-02 | 2011-12-08 | Lokesh Shanbhag | System and method for generating alerts |
CN103927431A (zh) * | 2014-02-20 | 2014-07-16 | 东南大学 | 基于pyramid时间框架的电站锅炉运行状态监测方法 |
CN204883710U (zh) * | 2015-01-19 | 2015-12-16 | 云南电力调度控制中心 | 一种基于规则的电网故障诊断智能*** |
CN104679828A (zh) * | 2015-01-19 | 2015-06-03 | 云南电力调度控制中心 | 一种基于规则的电网故障诊断智能*** |
CN105045256B (zh) * | 2015-07-08 | 2018-11-20 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN107403239B (zh) * | 2017-07-25 | 2021-02-12 | 南京工程学院 | 一种用于电力***中控制设备的参数分析方法 |
US10700523B2 (en) * | 2017-08-28 | 2020-06-30 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN109684181B (zh) * | 2018-11-20 | 2020-08-07 | 华为技术有限公司 | 告警根因分析方法、装置、设备及存储介质 |
CN109739905A (zh) * | 2019-01-10 | 2019-05-10 | 吉林建筑大学 | 一种综合管廊火灾预警方法及*** |
-
2020
- 2020-06-30 CN CN202010622269.9A patent/CN111784537B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010257227A (ja) * | 2009-04-24 | 2010-11-11 | Toshiba Corp | 監視装置およびサーバー |
CN109861291A (zh) * | 2019-03-15 | 2019-06-07 | 国网北京市电力公司 | 配电网的优化控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111784537A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
Don et al. | Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
EP2171598B1 (en) | Fuzzy classification approach to fault pattern matching | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及*** | |
CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及*** | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
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*** | |
CN114186900B (zh) | 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 | |
CN114185760A (zh) | ***风险评估方法及装置、充电设备运维检测方法 | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估***和方法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN112415331A (zh) | 基于多源故障信息的电网二次***故障诊断方法 | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及*** | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
Zio et al. | A fuzzy decision tree method for fault classification in the steam generator of a pressurized water reactor | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN115828173A (zh) | 基于故障知识与因果推理的风机故障诊断方法及*** | |
CN116089871A (zh) | 基于语义推理与深度极限学习机的电机状态监测方法 | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
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 |