CN112257937A - 一种基于大数据技术的配电网故障预测***及方法 - Google Patents
一种基于大数据技术的配电网故障预测***及方法 Download PDFInfo
- Publication number
- CN112257937A CN112257937A CN202011169983.3A CN202011169983A CN112257937A CN 112257937 A CN112257937 A CN 112257937A CN 202011169983 A CN202011169983 A CN 202011169983A CN 112257937 A CN112257937 A CN 112257937A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- module
- distribution network
- analysis
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000013500 data storage Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007418 data mining Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于大数据技术的配电网故障预测***及方法，通过大数据平台的数据分析域实现配电网运营管理产生海量数据的自动接入，实现调度、运检、营销各专业数据的融合、统一，为大数据技术支撑配电网故障诊断提供了基础，将体量更大、类型更多的电力大数据作为分析样本可以实现对电力负荷的时间分布和空间分布预测，为规划设计、电网运行调度提供依据，提升决策的准确性和有效性；通过故障诊断***还可以更加准确地计算配网停电损失，通过大数据技术挖潜增效，综合分析配电网运行的实时信息、设备检修信息等，降低停电影响。
Description
技术领域
本发明涉及配电网故障诊断技术领域，尤其涉及一种基于大数据技术的配电网故障预测***及方法。
背景技术
随着社会科学技术水平地不断提高，大数据技术的发展日益成熟，在各行各业领域中广泛应用，另一方面，伴随着新能源的大量推广及使用，电网用户数量与日俱增，电网结构更加复杂化。为了科学规划电网布局，提升配电网可靠性、经济性、前瞻性，增强配电网规划与管理水平，越来越多的电力企业引入了大数据分析电网负荷特性，通过构建负荷模型，精确计算电网运行管理的各项数据，合理科学安排配电网运行的方式，但是由于前期配电网规划不合理和专业统筹不足，配电网***故障诊断准确度和效率偏低等问题日益突出。
发明内容
本发明要解决上述现有技术存在的问题，提供一种基于大数据技术的配电网故障预测***及方法，实现大数据技术在智能电网领域的技术拓展，满足用户用电行为分析、节电、用电预测、网架优化、错峰调度等业务应用场景，提升电网的智能化水平和综合效益，满足智能电网深入建设对多源数据的融合与挖掘提出的要求。
本发明解决其技术问题采用的技术方案：一种基于大数据技术的配电网故障预测***，包括数据源平台、大数据平台数据分析域和业务应用平台，所述数据源平台电网企业内部数据与外部环境信息数据给大数据平台数据分析域，大数据平台数据分析域对电网企业内部数据与外部环境信息数据进行接入、存储、计算和分析处理后上传到业务应用平台进行应用；
所述数据源平台包括数据处理域模块和外部数据模块；所述数据处理域模块用于调用电网内部的生产管理、电网运行、业务营销和用电采集数据，所述外部数据模块用于调用外部的地理信息、气象信息和社会经济数据；
所述大数据平台数据分析域包括数据接入层、数据存储层、数据计算层和统一分析服务层；
进一步完善，所述数据接入层包括实时数据采集接入模块、外部数据接入模块和数据抽取清洗模块；
所述实时数据采集接入模块用于接入数据处理域模块数据，实时采集电网运行数据的；实时数据采集接入模块内设有高速载波芯片，通过高速载波对配电网拓扑数据进行实时采集；
所述外部数据采集接入模块用于接入外部数据模块，采集外部数据；
所述数据清洗模块用于对接入的内部数据和外部数据进行清洗转化，分别写入数据存储层中的数据仓库和存储区中；
进一步完善，所述数据存储层包括企业数据仓库、实时数据存储区和热点数据存储区；所述企业数据仓库包括OOS缓冲区、OOS统一视图区、数据仓库和数据集市；实时数据存储区用于存储实时数据采集接入模块的电网运行数据；
所述热点数据存储区用于存储外部数据采集接入模块的热点数据；
进一步完善，所述数据计算层包括离线计算引擎模块和实时计算模块，采用分布式并行计算技术对电网运行数据和热点数据进行数据密集型计算，输出常态监测主题结果数据到数据集市进行整合处理；
所述统一分析服务层包括数据挖掘模块和分析展现模块；所述数据挖掘模块用于挖掘数据集市中的常态监测主题结果数据，然后上传监测数据到业务应用平台；所述分析展现模块利用Tableau分析组件对监测数据进行业务应用平台的主题场景应用配置工作，自动生成并展示监控数据报告；
所述业务应用平台包括监控预警模块、诊断治理模块、质量评估模块、画像研究模块、停电优化模块和负荷预测模块。
一种基于大数据技术的配电网故障预测方法，包括以下步骤：
步骤01，将数据源平台中的电网内部数据和外部数据抽取到大数据平台数据分析域进行处理，形成大数据平台数据，对大数据平台数据进行数据预处理，数据预处理包括配电网故障影响因素分析、数据挖掘提取和样本筛选；
步骤011，所述配电网故障影响因素分析采用聚类分析方法和故障分类方法，实现电力故障定位；及时准确诊断影响电能质量的各种异常状态，找出异常点，并预防或消除，从而避免故障的扩大；有效提高了配电网输配电线的实时故障检测的自动化水平；为排除线路故障提供保障。
步骤012，数据挖掘提取，通过统计性描述方法对聚类分析中的数据生成具有相似变化的曲线簇；对曲线簇数据进行无量纲化处理，提取曲线簇的离群点作为数据样本；
步骤013，基于粒子群优化算法对数据样本进行样本筛选，选择极值样本；
步骤02，对样本数据进行特征变量选择；所述特征变量选择包括初步特征向量筛选和最优特征向量筛选；
步骤021，初步特征向量筛选，对极值样本中的各相关变量进行筛选，形成初步特征向量集；
步骤022，最优特征向量筛选，通过特征选择算法对初步特征向量集进行再次筛选，形成最优特征变量集；
步骤03，对配电网进行故障预测诊断；故障预测诊断包括故障等级划分、建立SVM故障预测模型和输出预测结果；
步骤031，根据步骤011中配电网故障影响因素分析结果对配电网进行故障等级划分，生成相应的预防方案，供作业人员参考；
步骤032，将步骤022中最优特征变量集的最优特征向量输入支持向量机进行训练；通过粒子群优化算法对支持向量机的参数进行优化，建立SVM故障预测模型；综合分析配电网网架结构中的薄弱环节，制定精细化的配电网网架和无功源调节方案，改善电能质量，满足配电网运行较高的电能质量要求。
步骤033，输出SVM故障预测模型的预测结果报告，及时准确的诊断影响电能质量的各种异常状态，找出异常点，通过业务应用平台进行监控预警。
为了进一步完善，步骤011中的所述故障分类方法采用贝叶斯分类方法和神经网络法实现对配电网配电变压器的故障进行识别和诊断；所述贝叶斯分类方法将变压器故障分类为内部或外部的接地和短路故障类型，所述神经网络法识别包括高温、低能和高能状态故障类型。
进一步完善，步骤011中的所述聚类分析方法采用划分聚类法、层次聚类法和网格聚类法提取配电网运行管理数据和负荷监测数据中不同区域、不同类型的用户负荷曲线，实现故障暂态特征提取，对原始数据矩阵进行聚类分析，从而将测点分为故障类和非故障类，通过实际电网的拓扑结构，定位出故障位置。
进一步完善，所述统计性描述方法包括对离散变量统计与连续变量统计。
进一步完善，步骤01中的数据分析域处理包括以下步骤：1)数据接入，将各类数据从数据源平台接入，以备计算、分析过程使用，接入的数据类型包括：结构化数据和采集量测类数据；2)数据存储，采用分布式结构化数据库储存实时采集数据和热点数据；3)数据计算，通过实时计算引擎模块和数据离线计算引擎模块对实时采集数据和热点数据进行分布式计算，生成常态监测主题结果数据；4)应用展现，整合处理后的常态监测主题结果数据，利用Tableau分析组件进行主题场景应用配置工作，通过监测报告自动生成工具输出监测报告。
进一步完善，步骤022中的所述特征选择算法采用Relief特征选择算法。
进一步完善，步骤031中的故障等级划分按故障的严重程度进行划分，包括设备重要性等级分类、重要性评价、故障等级评估和设备修改记录。
本发明有益的效果是：本发明的配电网故障诊断***通过大数据平台的数据分析域实现配电网运营管理产生海量数据的自动接入，实现调度、运检、营销各专业数据的融合、统一，为大数据技术支撑配电网故障诊断提供了基础，而数据分析域的实时数据采集接入模块应用高速载波等新技术采集电网内部数据，并通过外部数据模块抽取外部环境信息，大大提升了配电网大数据的真实性、可靠性与及时性；在数据存储层采用分布式结构化数据库储存实时采集数据和热点数据；在数据计算层通过实时计算引擎模块和数据离线计算引擎模块对实时采集数据和热点数据进行分布式计算，将体量更大、类型更多的电力大数据作为分析样本可以实现对电力负荷的时间分布和空间分布预测，为规划设计、电网运行调度提供依据，提升决策的准确性和有效性；通过故障诊断***还可以更加准确地计算配网停电损失，通过大数据技术挖潜增效，综合分析配电网运行的实时信息、设备检修信息等，降低停电影响。
附图说明
图1为为本发明的大数据平台数据分析域的预测***的结构示意图；
图2本发明的预测方法的结构示意图；
具体实施方式
下面结合附图对本发明作进一步说明：
参照附图：本实施例中一种基于大数据技术的配电网故障预测***，包括数据源平台、大数据平台数据分析域和业务应用平台，所述数据源平台电网企业内部数据与外部环境信息数据给大数据平台数据分析域，大数据平台数据分析域对电网企业内部数据与外部环境信息数据进行接入、存储、计算和分析处理后上传到业务应用平台进行应用；
所述数据源平台包括数据处理域模块和外部数据模块；所述数据处理域模块用于调用电网内部的生产管理、电网运行、业务营销和用电采集数据，所述外部数据模块用于调用外部的地理信息、气象信息和社会经济数据；
所述大数据平台数据分析域包括数据接入层、数据存储层、数据计算层和统一分析服务层；
所述数据接入层包括实时数据采集接入模块、外部数据接入模块和数据抽取清洗模块；
所述实时数据采集接入模块用于接入数据处理域模块数据，实时采集电网运行数据的；
所述外部数据采集接入模块用于接入外部数据模块，采集外部数据；
所述数据清洗模块用于对接入的内部数据和外部数据进行清洗转化，分别写入数据存储层中的数据仓库和存储区中；
所述数据存储层包括企业数据仓库、实时数据存储区和热点数据存储区；所述企业数据仓库包括OOS缓冲区、OOS统一视图区、数据仓库和数据集市；实时数据存储区用于存储实时数据采集接入模块的电网运行数据；
所述热点数据存储区用于存储外部数据采集接入模块的热点数据；
所述数据计算层包括离线计算引擎模块和实时计算模块，采用分布式并行计算技术对电网运行数据和热点数据进行数据密集型计算，输出常态监测主题结果数据到数据集市进行整合处理；
所述统一分析服务层包括数据挖掘模块和分析展现模块；所述数据挖掘模块用于挖掘数据集市中的常态监测主题结果数据，然后上传监测数据到业务应用平台；所述分析展现模块利用Tableau分析组件对监测数据进行业务应用平台的主题场景应用配置工作，自动生成并展示监控数据报告；
所述业务应用平台包括监控预警模块、诊断治理模块、质量评估模块、画像研究模块、停电优化模块和负荷预测模块。
一种基于大数据技术的配电网故障预测方法，包括以下步骤：
步骤01，将数据源平台中的电网内部数据和外部数据抽取到大数据平台数据分析域进行处理，形成大数据平台数据，对大数据平台数据进行数据预处理，数据预处理包括配电网故障影响因素分析、数据挖掘提取和样本筛选；大数据平台数据分析域的处理包括以下步骤：1)数据接入，将各类数据从数据源平台接入，以备计算、分析过程使用，接入的数据类型包括：结构化数据和采集量测类数据；2)数据存储，采用分布式结构化数据库储存实时采集数据和热点数据；3)数据计算，通过实时计算引擎模块和数据离线计算引擎模块对实时采集数据和热点数据进行分布式计算，生成常态监测主题结果数据；4)应用展现，整合处理后的常态监测主题结果数据，利用Tableau分析组件进行主题场景应用配置工作，通过监测报告自动生成工具输出监测报告。
步骤011，所述配电网故障影响因素分析采用聚类分析方法和故障分类方法，实现电力故障定位；所述故障分类方法采用贝叶斯分类方法和神经网络法实现对配电网配电变压器的故障进行识别和诊断；所述贝叶斯分类方法将变压器故障分类为内部或外部的接地和短路故障类型，所述神经网络法识别包括高温、低能和高能状态故障类型。所述聚类分析方法采用划分聚类法、层次聚类法和网格聚类法提取配电网运行管理数据和负荷监测数据中不同区域、不同类型的用户负荷曲线，实现故障暂态特征提取，对原始数据矩阵进行聚类分析，从而将测点分为故障类和非故障类，通过实际电网的拓扑结构，定位出故障位置。
步骤012，数据挖掘提取，通过统计性描述方法对聚类分析中的数据生成具有相似变化的曲线簇；对曲线簇数据进行无量纲化处理，提取曲线簇的离群点作为数据样本；所述统计性描述方法包括对离散变量统计与连续变量统计。
步骤013，基于粒子群优化算法对数据样本进行样本筛选，选择极值样本；
步骤02，对样本数据进行特征变量选择；所述特征变量选择包括初步特征向量筛选和最优特征向量筛选；
步骤021，初步特征向量筛选，对极值样本中的各相关变量进行筛选，形成初步特征向量集；
步骤022，最优特征向量筛选，通过特征选择算法对初步特征向量集进行再次筛选，形成最优特征变量集；所述特征选择算法采用Relief特征选择算法。
步骤03，对配电网进行故障预测诊断；故障预测诊断包括故障等级划分、建立SVM故障预测模型和输出预测结果；
步骤031，根据步骤011中配电网故障影响因素分析结果对配电网进行故障等级划分，生成相应的预防方案，供作业人员参考；故障等级划分按故障的严重程度进行划分，包括设备重要性等级分类、重要性评价、故障等级评估和设备修改记录。
步骤032，将步骤022中最优特征变量集的最优特征向量输入支持向量机进行训练；通过粒子群优化算法对支持向量机的参数进行优化，建立SVM故障预测模型；
步骤033，输出SVM故障预测模型的预测结果报告，及时准确的诊断影响电能质量的各种异常状态，找出异常点，通过业务应用平台进行监控预警。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。
Claims (10)
1.一种基于大数据技术的配电网故障预测***，其特征是，包括数据源平台、大数据平台数据分析域和业务应用平台，所述数据源平台包括数据处理域模块和外部数据模块；所述数据处理域模块用于调用电网内部的生产管理、电网运行、业务营销和用电采集数据，所述外部数据模块用于调用外部的地理信息、气象信息和社会经济数据；所述数据源平台电网企业内部数据与外部环境信息数据给大数据平台数据分析域，所述大数据平台数据分析域包括数据接入层、数据存储层、数据计算层和统一分析服务层；所述大数据平台数据分析域对电网企业内部数据与外部环境信息数据进行接入、存储、计算和分析处理后上传到业务应用平台进行应用；所述业务应用平台包括监控预警模块、诊断治理模块、质量评估模块、画像研究模块、停电优化模块和负荷预测模块。
2.根据权利要求1所述的一种基于大数据技术的配电网故障预测***，其特征是：所述数据接入层包括实时数据采集接入模块、外部数据接入模块和数据抽取清洗模块；所述实时数据采集接入模块用于接入数据处理域模块数据，实时采集电网运行数据；所述外部数据采集接入模块用于接入外部数据模块，采集外部数据；所述数据清洗模块用于对接入的内部数据和外部数据进行清洗转化，分别写入数据存储层中的数据仓库和存储区中。
3.根据权利要求2所述的一种基于大数据技术的配电网故障预测***，其特征是：所述数据存储层包括企业数据仓库、实时数据存储区和热点数据存储区；所述企业数据仓库包括OOS缓冲区、OOS统一视图区、数据仓库和数据集市；实时数据存储区用于存储实时数据采集接入模块的电网运行数据；所述热点数据存储区用于存储外部数据采集接入模块的热点数据。
4.根据权利要求3所述的一种基于大数据技术的配电网故障预测***，其特征是：所述数据计算层包括离线计算引擎模块和实时计算模块，采用分布式并行计算技术对电网运行数据和热点数据进行数据密集型计算，输出常态监测主题结果数据到数据集市进行整合处理。所述统一分析服务层包括数据挖掘模块和分析展现模块；所述数据挖掘模块用于挖掘数据集市中的常态监测主题结果数据，然后上传监测数据到业务应用平台；所述分析展现模块利用Tableau分析组件对监测数据进行业务应用平台的主题场景应用配置工作，自动生成并展示监测数据报告。
5.一种基于大数据技术的配电网故障预测方法，其特征是，包括以下步骤：
步骤01，将数据源平台中的电网内部数据和外部数据抽取到大数据平台数据分析域进行处理，形成大数据平台数据，对大数据平台数据进行数据预处理，数据预处理包括配电网故障影响因素分析、数据挖掘提取和样本筛选；
步骤011，所述配电网故障影响因素分析采用聚类分析方法和故障分类方法，实现电力故障定位；
步骤012，数据挖掘提取，通过统计性描述方法对聚类分析中的数据生成具有相似变化的曲线簇；对曲线簇数据进行无量纲化处理，提取曲线簇的离群点作为数据样本；
步骤013，基于粒子群优化算法对数据样本进行样本筛选，选择极值样本；
步骤02，对样本数据进行特征变量选择；所述特征变量选择包括初步特征向量筛选和最优特征向量筛选；
步骤021，初步特征向量筛选，对极值样本中的各相关变量进行筛选，形成初步特征向量集；
步骤022，最优特征向量筛选，通过特征选择算法对初步特征向量集进行再次筛选，形成最优特征变量集；
步骤03，对配电网进行故障预测诊断；故障预测诊断包括故障等级划分、建立SVM故障预测模型和输出预测结果；
步骤031，根据步骤011中配电网故障影响因素分析结果对配电网进行故障等级划分，生成相应的预防方案，供作业人员参考；
步骤032，将步骤022中最优特征变量集的最优特征向量输入支持向量机进行训练；通过粒子群优化算法对支持向量机的参数进行优化，建立SVM故障预测模型；
步骤033，输出SVM故障预测模型的预测结果报告，及时准确的诊断影响电能质量的各种异常状态，找出异常点，通过业务应用平台进行监控预警。
6.根据权利要求5所述的一种基于大数据技术的配电网故障预测方法，其特征是：步骤011中的所述故障分类方法采用贝叶斯分类方法和神经网络法实现对配电网配电变压器的故障进行识别和诊断；所述贝叶斯分类方法将变压器故障分类为内部或外部的接地和短路故障类型，所述神经网络法识别包括高温、低能和高能状态故障类型；步骤011中的所述聚类分析方法采用划分聚类法、层次聚类法和网格聚类法提取配电网运行管理数据和负荷监测数据中不同区域、不同类型的用户负荷曲线，实现故障暂态特征提取，对原始数据矩阵进行聚类分析，从而将测点分为故障类和非故障类，通过实际电网的拓扑结构，定位出故障位置。
7.根据权利要求6所述的一种基于大数据技术的配电网故障预测方法，其特征是：所述统计性描述方法包括对离散变量统计与连续变量统计。
8.根据权利要求7所述的一种基于大数据技术的配电网故障预测方法，其特征是：步骤01中的数据分析域处理包括以下步骤：1)数据接入，将各类数据从数据源平台接入，以备计算、分析过程使用，接入的数据类型包括：结构化数据和采集量测类数据；2)数据存储，采用分布式结构化数据库储存实时采集数据和热点数据；3)数据计算，通过实时计算引擎模块和数据离线计算引擎模块对实时采集数据和热点数据进行分布式计算，生成常态监测主题结果数据；4)应用展现，整合处理后的常态监测主题结果数据，利用Tableau分析组件进行主题场景应用配置工作，通过监测报告自动生成工具输出监测报告。
9.根据权利要求8所述的一种基于大数据技术的配电网故障预测方法，其特征是：步骤022中的所述特征选择算法采用Relief特征选择算法。
10.根据权利要求9所述的一种基于大数据技术的配电网故障预测方法，其特征是：步骤031中的故障等级划分按故障的严重程度进行划分，包括设备重要性等级分类、重要性评价、故障等级评估和设备修改记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011169983.3A CN112257937B (zh) | 2020-10-28 | 2020-10-28 | 一种基于大数据技术的配电网故障预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011169983.3A CN112257937B (zh) | 2020-10-28 | 2020-10-28 | 一种基于大数据技术的配电网故障预测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257937A true CN112257937A (zh) | 2021-01-22 |
| CN112257937B CN112257937B (zh) | 2023-06-16 |
Family
ID=74262580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011169983.3A Active CN112257937B (zh) | 2020-10-28 | 2020-10-28 | 一种基于大数据技术的配电网故障预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257937B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537590A (zh) * | 2021-07-14 | 2021-10-22 | 深圳供电局有限公司 | 一种数据异常预测方法及*** |
| CN114298579A (zh) * | 2021-12-30 | 2022-04-08 | 南京邮电大学 | 一种基于数据挖掘的有源配电网故障风险预警方法及*** |
| CN117347791A (zh) * | 2023-11-01 | 2024-01-05 | 国网河南省电力公司濮阳供电公司 | 基于大数据的电力电网故障在线识别***及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2752674A1 (en) * | 2013-01-03 | 2014-07-09 | ABB Technology AG | A detection method of a ground fault in an electric power distribution network |
| CN105160593A (zh) * | 2015-08-18 | 2015-12-16 | 国家电网公司 | 面向大数据的输变电设备多维异构数据融合方法及*** |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN111429034A (zh) * | 2020-04-21 | 2020-07-17 | 国网信通亿力科技有限责任公司 | 一种配电网故障预测的方法 |
-
2020
- 2020-10-28 CN CN202011169983.3A patent/CN112257937B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2752674A1 (en) * | 2013-01-03 | 2014-07-09 | ABB Technology AG | A detection method of a ground fault in an electric power distribution network |
| CN105160593A (zh) * | 2015-08-18 | 2015-12-16 | 国家电网公司 | 面向大数据的输变电设备多维异构数据融合方法及*** |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN111429034A (zh) * | 2020-04-21 | 2020-07-17 | 国网信通亿力科技有限责任公司 | 一种配电网故障预测的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 梁朔等: "基于统一数据模型的广西配用电大数据分析平台的设计与实现", 《广西电力》 * |
| 陶飞达等: "配电网故障智能诊断技术综述", 《机电工程技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537590A (zh) * | 2021-07-14 | 2021-10-22 | 深圳供电局有限公司 | 一种数据异常预测方法及*** |
| CN114298579A (zh) * | 2021-12-30 | 2022-04-08 | 南京邮电大学 | 一种基于数据挖掘的有源配电网故障风险预警方法及*** |
| CN117347791A (zh) * | 2023-11-01 | 2024-01-05 | 国网河南省电力公司濮阳供电公司 | 基于大数据的电力电网故障在线识别***及方法 |
| CN117347791B (zh) * | 2023-11-01 | 2024-05-03 | 国网河南省电力公司濮阳供电公司 | 基于大数据的电力电网故障在线识别***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257937B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257937B (zh) | 一种基于大数据技术的配电网故障预测***及方法 | |
| CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
| CN102509178B (zh) | 配网设备状态评估*** | |
| CN112348339A (zh) | 一种基于大数据分析的配电网规划方法 | |
| CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN113064866B (zh) | 一种电力业务数据整合*** | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN106383916A (zh) | 基于工业设备预测性维护的数据处理方法 | |
| CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及*** | |
| CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
| CN111524026A (zh) | 一种电力资源分配方法及装置 | |
| CN107368932A (zh) | 一种适用于电网发展专业的负荷分析预测*** | |
| CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
| CN115908046A (zh) | 基于航站楼bim的可视化配电*** | |
| CN115965136A (zh) | 一种基于电力大数据的碳排放综合预测*** | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理*** | |
| CN110245163A (zh) | 一种电力***运行隐患排查方法 | |
| CN115186935B (zh) | 一种机电设备非线性故障预测方法及*** | |
| Hu et al. | Big data management and application research in power load forecasting and power transmission and transformation equipment evaluation | |
| Tang et al. | Research on Anomaly Detection of Smart Meter Based on Big Data Mining | |
| Bashkari et al. | Distribution power system outage diagnosis based on root cause analysis | |
| Xiaodong et al. | Artificial Intelligence in power multimodal data analysis | |
| CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
| Hao et al. | Detection of Outlier of Electric Power Data Based on Improved Fast Density Peak Clustering | |
| Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data |
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 |