CN112000831A - 一种基于变电站图形转化的异常数据识别优化方法 - Google Patents

Abstract

本发明公开了一种基于变电站图形转化的异常数据识别优化方法，包括，采集变电站相关设备的基本信息并添加私有属性以进行图形转化；基于最小二乘制策略构建异常识别模型，对图形转化过程中的处理数据进行异常识别；若识别到异常数据，则对其进行标记，并结合三参数分布和灰色预测策略剔除标记的所述异常数据，输出优化后的所述图形转化结果。本发明通过构建的异常识别模型识别图形转化过程中的异常数据，并结合三参数分布和灰色预测策略剔除标记的异常数据，输出优化后的图形转化结果，提高了图形转化质量和效率，精准的定位异常数据并剔除，避免了运维人员的重复工作和错漏，降低了设备安全运行的危险系数。

Description

一种基于变电站图形转化的异常数据识别优化方法

技术领域

本发明涉及变电站、图形转化的技术领域，尤其涉及一种基于变电站图形转化的异常数据识别优化方法。

背景技术

变电站中的二次***装置设备众多、各类线缆也是种类繁多，包括继电保护装置、安全自动装置、故障录波装置、继电保护故障信息***子站、合并单元装置、网络交换机、智能终端装置等。变电站内的二次接线非常复杂，而二次接线的准确与否关系着电网运行安全，因而具有非常重要的地位。如此复杂的对外接线也给安装和维护带来了极大的挑战。如在变电二次检修日常工作中，为了保证电网、设备和人身安全，经常需要在工作前做好二次安全措施。针对主变保护屏、母差保护屏等非常重要的保护屏，都需要对应做如下安全措施：打开端子排内侧接线、做好安全隔离措施、待工作结束后及时恢复等工作。由于这些保护屏的二次接线相对较多，经常会遇到在恢复端子排内侧线时不易下手，或是看不到接线孔位的情况。实际执行时，需要多少人反复确认，有时还要借助尖嘴钳等工具夹住接线插头进行接入。这就容易产生接错位置等安全隐患，造成该操作作业难度大，工作效率低等诸多问题。

目前变电站中电回路大部分是以图纸的形式存储，电气图形无法跟实际的设备(如装置、电气设备等)相关联，运检调试人员在现场检修时需要翻阅大量的图纸信息，无法快速查找与某个设备(如装置、电气设备等)相关的电回路信息，大大降低了现场运检调试人员的工作效率，增加了工作难度与学习成本；同时，在图形转化过程中极易出现数据错误的问题，运维人员不易发现，这对变电站设备而言将存在极大的安全隐患，对于图形转化的准确度不高，则无法实现设备信息的唯一性定位识别。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于变电站图形转化的异常数据识别优化方法，能够解决现有图形转化过程中存在异常数据错误而不能发现，影响设备正常运行的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，采集变电站相关设备的基本信息并添加私有属性以进行图形转化；基于最小二乘制策略构建异常识别模型，对图形转化过程中的处理数据进行异常识别；若识别到异常数据，则对其进行标记，并结合三参数分布和灰色预测策略剔除标记的所述异常数据，输出优化后的所述图形转化结果。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：所述图形转化包括，采集所述变电站相关设备的所述基本信息并按照所述变电站实际的物理层级关系存入数据库；基于线性规划准则构建分析模型，读取所述基本信息中电回路的电气图形及拓扑关系图进行分析，得到电气图形对象；利用随机森林策略提取所述电气图形对象的文本信息，与所述数据库中的数据进行匹配绑定；将匹配到的信息与所述电气图形对象进行关联，构建二次拓扑关系图；利用所述随机森林策略提取所述电气图形对象与所述二次拓扑关系图的信息，向SVG文本中添加私有属性，生成新的SVG文本。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：所述数据库需提前建立基本信息模型，包括，建立所述变电站中的小室信息模型、屏柜信息模型、装置信息模型和电气设备信息模型。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：建立所述小室信息模型包括，小室在数据库中唯一性编号和所述小室在所述变电站中的名称；建立所述屏柜信息模型包括，屏柜在所述数据库中唯一性编号、所述屏柜在所述变电站中的名称和所述屏柜所在小室的编号；建立所述装置信息模型包括，装置在所述数据库中唯一性编号、所述装置在所述变电站中的名称、装置类型和所述装置所在屏柜的编号；建立所述电气设备信息模型包括，电气设备在所述数据库中唯一性编号、所述电气设备在所述变电站中的名称、电气设备类型和所述电气设备所在屏柜的编号。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：构建所述分析模型包括，利用所述线性规划准则建立目标函数，如下，

其中，x为输入存储的设备，y为识别输出设备，

为评价DMU的线性组合系数，b⁺为松弛变量，b^-为剩余变量，α为所述目标函数的分析最优解。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：构建所述异常识别模型包括，选取径向基函数作为LSSVM的目标函数，如下

其中，x＝{x₁；x₂；…；x₁₄}：所述基本信息中影响识别因素的历史数据幅频特性向量组成的特性矩阵，y：所述基本信息中影响识别因素的幅频特性向量，σ：

目标向量，即所述基本信息的分布或范围特性。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：所述识别模型需提前进行训练，包括，初始化惩罚参数和所述目标向量，利用所述基本信息对所述LSSVM进行训练，并利用生成的所述SVG文件进行测试；若所述识别模型未达到精度阈值要求，则根据误差对所述惩罚参数和所述目标向量进行赋值优化；直至满足所述精度阈值要求时，形成所述识别模型，输出识别结果。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：所述识别结果包括，正常数据和异常数据；所述正常数据包括，标准的属性、类型、格式和字符；所述异常数据包括，超出或未达到所述标准的所述属性、所述类型、所述格式和所述字符。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：所述三参数分布和灰色预测策略包括，利用三参数累积分布函数计算优化指标，如下，

其中，σ为尺度参数、α为形状参数、θ为形状参数。

作为本发明所述的一种基于变电站图形转化的异常数据识别优化方法的一种优选方案，其中：还包括，

其中，y和z为标记的所述异常数据预测剔除参数，o为求解因子。

本发明的有益效果：本发明通过构建的异常识别模型识别图形转化过程中的异常数据，并结合三参数分布和灰色预测策略剔除标记的异常数据，输出优化后的图形转化结果，提高了图形转化质量和效率，精准的定位异常数据并剔除，避免了运维人员的重复工作和错漏，降低了设备安全运行的危险系数。

附图说明

为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明的一个实施例所述的一种基于变电站图形转化的异常数据识别优化方法的流程示意图；

图2为本发明的一个实施例所述的一种基于变电站图形转化的异常数据识别优化方法的电气图形对象示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明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、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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。

实施例1

参照图1和图2，为本发明的第一个实施例，提供了一种基于变电站图形转化的异常数据识别优化方法，包括：

S1：采集变电站相关设备的基本信息并添加私有属性以进行图形转化。其中需要说明的是，图形转化包括：

采集变电站相关设备的基本信息并按照变电站实际的物理层级关系存入数据库；

基于线性规划准则构建分析模型，读取基本信息中电回路的电气图形及拓扑关系图进行分析，得到电气图形对象；

利用随机森林策略提取电气图形对象的文本信息，与数据库中的数据进行匹配绑定；

将匹配到的信息与电气图形对象进行关联，构建二次拓扑关系图；

利用随机森林策略提取电气图形对象与二次拓扑关系图的信息，向SVG文本中添加私有属性，生成新的SVG文本。

具体的，数据库需提前建立基本信息模型，包括：

建立变电站中的小室信息模型、屏柜信息模型、装置信息模型和电气设备信息模型；

建立小室信息模型包括，小室在数据库中唯一性编号和小室在变电站中的名称；

建立屏柜信息模型包括，屏柜在数据库中唯一性编号、屏柜在变电站中的名称和屏柜所在小室的编号；

建立装置信息模型包括，装置在数据库中唯一性编号、装置在变电站中的名称、装置类型和装置所在屏柜的编号；

建立电气设备信息模型包括，电气设备在数据库中唯一性编号、电气设备在变电站中的名称、电气设备类型和电气设备所在屏柜的编号。

进一步的，构建分析模型包括：

利用线性规划准则建立目标函数，如下，

其中，x为输入存储的设备，y为识别输出设备，

为评价DMU的线性组合系数，b⁺为松弛变量，b^-为剩余变量，α为目标函数的分析最优解。

再进一步的，参照图2，电气图形对象包括：

图元类型包括，文本和矢量图形；

矢量图形包括，基本图形和组合图形；

基本图形包括，直线、矩形、圆、椭圆和弧线；

组合图形包括，屏柜、装置、电口、端子排、节点和互感器。

S2：基于最小二乘制策略构建异常识别模型，对图形转化过程中的处理数据进行异常识别。本步骤需要说明的是，构建异常识别模型包括：

选取径向基函数作为LSSVM的目标函数，如下

其中，x＝{x₁；x₂；…；x₁₄}：基本信息中影响识别因素的历史数据幅频特性向量组成的特性矩阵，y：基本信息中影响识别因素的幅频特性向量，σ：目标向量，即基本信息的分布或范围特性。

较佳的，识别模型需提前进行训练，包括：

初始化惩罚参数和目标向量，利用基本信息对LSSVM进行训练，并利用生成的SVG文件进行测试；

若识别模型未达到精度阈值要求，则根据误差对惩罚参数和目标向量进行赋值优化；

直至满足精度阈值要求时，形成识别模型，输出识别结果。

具体的，识别结果包括：

正常数据和异常数据；

正常数据包括，标准的属性、类型、格式和字符；

异常数据包括，超出或未达到标准的属性、类型、格式和字符。

S3：若识别到异常数据，则对其进行标记，并结合三参数分布和灰色预测策略剔除标记的异常数据，输出优化后的图形转化结果。其中还需要说明的是，三参数分布和灰色预测策略包括：

利用三参数累积分布函数计算优化指标，如下，

其中，σ为尺度参数、α为形状参数、θ为形状参数。

具体的，还包括：

其中，y和z为标记的异常数据预测剔除参数，o为求解因子。

通俗的说，变电站的数字化程度越来越高，变电站中信息交换的主要介质由电缆变为光纤，其中传递的信号也由模拟量变为数字量，电子式互感器和合并单元在数字化变电站中得到大量应用，一次电压和电流信号被电子书互感器采集并转换为数字信号，经合并单元汇集、同步后传递给后续的测量和保护装置进行处理；在此过程中，由于外界电磁环境的干扰以及电子设备本身的不稳定，传递的电气量信号可能会失真，具体为一个或多个数据点的突变，这些数据点被称为异常数据点，异常数据不是一次电气信号的正确反映，但其数据帧中的品质因数位是正常的，测量和保护装置视其为正常数据进行处理，会给结果造成较大影响，严重时会造成保护的误动。

优选的，本实施例还需要说明的是，一、现有的基于采样值三点连续有效判别异常数据识别方法，指出了波形除若干间断点外在其他任意点连续可导且导数同样分段连续，利用这一特性判断采样值是否异常，但是该方法在异常数据与正常数据偏差较小时灵敏度不足，并且无法识别连续的波动幅度不大的异常数据；二、现有的变电站飞点数据识别方法是通过比较目标采样点数据与相邻两采样点数据的绝对值大小来判断是否异常，并利用曲线拟合的方法处理异常数据，该方法在异常数据绝对值较小或出现连续异常数据的情况下就会失效；三、现有的采样数据有效性识别方法是通过连续三点采样值来计算基波分量电流量的快速幅值，利用不同采样点计算处的快速幅值的互相比较以及此幅值与固定门槛值的比较来判断数据是否异常，该方法无法确定异常数据的大小，从而无法识别其绝对值与异常采样点绝对值；需要说明的是，本发明方法不仅用于图形转化过程中的异常数据识别，也适用于变电站相关设备运行各采样点的异常数据识别，能够解决现有方法中存在的连续多点异常数据识别困难、难以取决门槛值、难以识别数值较小的异常数据的问题。

实施例2

为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的基于采样值三点连续有效判别异常数据识别方法、传统的变电站飞点数据识别方法、传统的采样数据有效性识别方法分别与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本发明方法所具有的真实效果。

传统的采样值三点连续有效判别异常数据识别方法(方法一)识别灵敏度较低，传统的变电站飞点数据识别方法(方法二)识别有效性较低，传统的采样数据有效性识别方法(方法三)取值判定性较低，为验证本发明方法相对于传统方法具有较高的识别灵敏度和识别效率，本实施例将采用三种传统方法和本发明方法分别对南方地区某一变电站的相关设备运行进行实时测量对比。

测试条件：(1)选取相同设备的相同时段的相同运行数据进行异常识别；

(2)采集变电站的部分相关设备基本信息，开启自动化测试设备并运用MATLAB进行***仿真模拟；

(3)配置各个方法运行计算参数，分别获取各方法输出准确度结果数据。

表1：测试对比数据表。

本实施例利用四种类型的变电站运行设备进行测试，分别通过三种传统方法和本发明方法对相同数据传输时间内的异常数据进行识别测试，参照表1，能够直观的看出，三种传统方法的异常数据识别准确度较低，而本发明方法相较于传统方法提升了10％的精确度，基于此，本发明方法验证了其具有的真实效果。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于变电站图形转化的异常数据识别优化方法，其特征在于：包括，

采集变电站相关设备的基本信息并添加私有属性以进行图形转化；

基于最小二乘制策略构建异常识别模型，对图形转化过程中的处理数据进行异常识别；

若识别到异常数据，则对其进行标记，并结合三参数分布和灰色预测策略剔除标记的所述异常数据，输出优化后的所述图形转化结果。

2.如权利要求1所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：所述图形转化包括，

采集所述变电站相关设备的所述基本信息并按照所述变电站实际的物理层级关系存入数据库；

基于线性规划准则构建分析模型，读取所述基本信息中电回路的电气图形及拓扑关系图进行分析，得到电气图形对象；

利用随机森林策略提取所述电气图形对象的文本信息，与所述数据库中的数据进行匹配绑定；

将匹配到的信息与所述电气图形对象进行关联，构建二次拓扑关系图；

利用所述随机森林策略提取所述电气图形对象与所述二次拓扑关系图的信息，向SVG文本中添加私有属性，生成新的SVG文本。

3.如权利要求2所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：所述数据库需提前建立基本信息模型，包括，

建立所述变电站中的小室信息模型、屏柜信息模型、装置信息模型和电气设备信息模型。

4.如权利要求3所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：建立所述小室信息模型包括，小室在数据库中唯一性编号和所述小室在所述变电站中的名称；

建立所述屏柜信息模型包括，屏柜在所述数据库中唯一性编号、所述屏柜在所述变电站中的名称和所述屏柜所在小室的编号；

建立所述装置信息模型包括，装置在所述数据库中唯一性编号、所述装置在所述变电站中的名称、装置类型和所述装置所在屏柜的编号；

建立所述电气设备信息模型包括，电气设备在所述数据库中唯一性编号、所述电气设备在所述变电站中的名称、电气设备类型和所述电气设备所在屏柜的编号。

5.如权利要求4所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：构建所述分析模型包括，

利用所述线性规划准则建立目标函数，如下，

其中，x为输入存储的设备，y为识别输出设备，

为评价DMU的线性组合系数，b⁺为松弛变量，b^-为剩余变量，α为所述目标函数的分析最优解。

6.如权利要求1～5任一所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：构建所述异常识别模型包括，

选取径向基函数作为LSSVM的目标函数，如下

其中，x＝{x₁；x₂；…；x₁₄}：所述基本信息中影响识别因素的历史数据幅频特性向量组成的特性矩阵，y：所述基本信息中影响识别因素的幅频特性向量，σ：目标向量，即所述基本信息的分布或范围特性。

7.如权利要求6所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：所述识别模型需提前进行训练，包括，

初始化惩罚参数和所述目标向量，利用所述基本信息对所述LSSVM进行训练，并利用生成的所述SVG文件进行测试；

若所述识别模型未达到精度阈值要求，则根据误差对所述惩罚参数和所述目标向量进行赋值优化；

直至满足所述精度阈值要求时，形成所述识别模型，输出识别结果。

8.如权利要求7所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：所述识别结果包括，正常数据和异常数据；

所述正常数据包括，标准的属性、类型、格式和字符；

所述异常数据包括，超出或未达到所述标准的所述属性、所述类型、所述格式和所述字符。

9.如权利要求8所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：所述三参数分布和灰色预测策略包括，

利用三参数累积分布函数计算优化指标，如下，

其中，σ为尺度参数、α为形状参数、θ为形状参数。

10.如权利要求9所述的基于变电站图形转化的异常数据识别优化方法，其特征在于：还包括，

其中，y和z为标记的所述异常数据预测剔除参数，o为求解因子。

Images