CN113902164A - 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
- CN113902164A CN113902164A CN202111031875.4A CN202111031875A CN113902164A CN 113902164 A CN113902164 A CN 113902164A CN 202111031875 A CN202111031875 A CN 202111031875A CN 113902164 A CN113902164 A CN 113902164A
- Authority
- CN
- China
- Prior art keywords
- data
- power distribution
- distribution network
- unit
- prediction
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 230000006855 networking Effects 0.000 claims abstract 3
- 238000012549 training Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000004140 cleaning Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011664 signaling 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明属于配电网故障诊断技术领域，公开了一种基于无线组网和大数据技术的配电网故障预测***及方法，包括数据源、大数据分析平台和大数据预测和定位模块，所述的数据源包括基于无线组网的数据传输、数据预处理单元和外部数据单元，大数据预测和定位模块包括故障预测、数据采集分析、故障定位单元。本发明实现了故障发生可以预测，有效进行故障发生次数预测，且考虑因素更加全面，据此能够得到更为快速、准确、可靠的故障次数预测，同时对故障的判定更加智能化，故障判定准确率高，比较理想的故障定位方法。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，适合推广。
Description
技术领域
本发明属于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
目前：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。现有的配电信号监测方法，判定方法过于简单，在使用中存在着一定的局限性，虽然能够判定故障电气信号量较大的短路故障，但对80％的单相接地故障，故障定位准确率较低。而且配电网中的故障多由于恶劣天气、设备故障、鸟害、树线、异物、人为破坏情况引发。其中，由于天气是可预测的，且外部环境相对固定，而设备状况受生产批次、运维情况的影响，也具备一定规律性，因此，结合天气预测信息、外部环境信息以及设备运维情况，对某一区域进行未来一段时间内故障发生次数的预测，是可行的。而对于人为破坏导致的电网故障，由于人的行为具有一定随机性，故其导致的故障发生次数预测难度较大，但可通过挖掘历史数据自身变化规律，修正故障发生次数中随机因素的影响，提高故障次数预测的准确度。
通过上述分析，现有技术存在的问题及缺陷为：
(1)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。
(2)现有的配电信号监测方法，判定方法过于简单，在使用中存在着一定的局限性；且数据传输过程中会造成数据流失；
(3)故障监测过程中，对于人为导致的故障发生次数预测难度较大，会造成监测结果的不准确。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据技术的配电网故障预测***及方法。
本发明是这样实现的，一种基于大数据技术的配电网故障预测***包括数据源、大数据分析平台、大数据预测和定位模块；
所述数据源包括数据预处理单元和外部数据单元，所述数据预处理单元包括生产管理、电网运行、业务营销和用电采集，所述外部数据单元包括地理信息、气象信息、社会经济和科技水平数据；
所述数据预处理单元采用的数据预处理方法包括：
读取原始外部数据集，将外部数据集中的数据输入FastText分类模型；
通过FastText分类模型判断外部数据对应于生产管理、电网运行、业务营销和用电采集中的某一类别；
根据每个类别的标记对外部数据集进行删除或保存，以得到相应于每个类别的最终样例集；
根据所述最终类样例集生成最终样本数据集，以实现不同类别数据的预处理；
所述数据源采集的数据利用无线通信路由网络传递给大数据分析平台；
所述无线通信路由网络由低功耗无线路由节点、数据转发站，以及相应无线自组网、自适应通信技术组成，用于配电网线路的无线数据传输和中继，传输配电终端设备的相关信息；
所述无线通信路由网络采用基于预测-决策-执行的分层协作处理和具有QoS保障控制功能的路由协议，通过路径传输延时和链路可靠预测算法，最优实时路径和链路质量路径决策算法，以及按需分配的优先缓冲队列传输执行算法，优化智能配电网各类数据业务有确定***质量要求的端到端数据传输路径，进行数据传输；
所述大数据平台分析包括实时数据采集的获取单元、外部数据获取单元和数据清洗单元，所述大数据分析平台用于数据信息采集单元获取数据源中的配电网数据信息，将得到的数据信息进行数据清洗筛选处理，处理后的信息通过数据挖掘计算后的标准预测训练模型训练得到预测的配电网信息值，然后将此信息发送到大数据预测和定位模块中；
所述大数据预测和定位模块包括故障预测单元、数据采集分析单元和故障定位单元，用于通过获取大数据分析平台处理后的信息得到故障预测信息，通过数据采集分析单元计算故障的具***置。
进一步，所述FastText分类模型包括输入层、隐含层和输出层，指定损失函数、优化器类型和评价指标；所述FastText分类模型预先通过训练样本数据进行训练处理，所述训练样本数据包括多条不同类别的外部数据，以及各个外部数据对应的生产管理、电网运行、业务营销和用电采集类别。
进一步，所述实时数据采集的获取单元用于接入数据处理域的数据，实时采集电网运行数据；外部数据获取单元用于接入外部数据模块，采集外部数据；所述数据清洗单元用于对接入的内部数据和外部数据进行清洗转化，通过数据格式化单元和数据归一化的处理之后写入数据缓存区中。
进一步，所述数据清洗单元对接入的内部数据和外部数据进行清洗转化的具体方法包括：
获取待清洗内部数据和外部数据的训练样本集合；
对训练样本集合进行聚类分析，获得训练样本集合的多个聚类分类；
检测多个聚类分类中的训练样本，以获取每个所述聚类分类的训练样本中的误报样本；
对误报样本所在的聚类分类进行数据清洗。
进一步，所述大数据平台分析模块中的数据挖掘单元从现有的网络或者各种配电***公开的数据集中爬取响应的区域配电网参数数据，包括正常运行的数据和出现故障的数据，然后将此数据经过数据清洗、数据格式化和数据的归一化处理之后，放入缓存区内。
进一步，所述数据的归一化处理包括：利用归一化处理算法对区域配电网参数数据进行归一化处理，并输出处理结果；读取已有的数据特征库中的数据，对比归一化处理后的处理结果，输出检测结果。
进一步，所述大数据平台分析模块中的高级数据计算单元获取缓存区中的数据进行训练，得到标准的配电网数据预测模型，将此模型发送到实时性数据计算单元中，然后此单元从缓存区获取经过处理后的数据源的配电数据信息，进行训练，将训练的结果发送到大数据预测和定位模块中。
进一步，所述故障预测单元通过ARIMA差分自回归移动平均模型计算，自相关系数小于0.5则不适用，p阶自回归预测模型算法为：
进一步，所述大数据预测和定位模块中的数据采集分析和故障定位单元中，通过数据采集分析获取配电网络每个节点两侧安装的配电信号检测信息，将现在的监测数据，和历史的正常监测数据、故障的监测数据比对，得到该配电节点是否有故障产生，实现故障的定位。
进一步，所述基于大数据技术的配电网故障预测***对故障进行预测的方法包括：
步骤一，检测数据源的数据，通过实时性数据的采集获取单元和外部数据获取单元获取数据的预处理和外部数据进行初步的筛选，将此数据作为大数据分析的基础数据；
步骤二，将获取的数据利用无线通信路由网络进行传输，将获取的数据进行数据清洗和数据的格式化处理，进行数据存储之前的归一化处理，将数据放入缓存区等待下一步的处理和计算；
步骤三，通过数据挖掘单元爬取大数据网络中的配电数据信息，将此数据作为参考的标准，使用高级数据计算单元计算此数据做出标准预测训练模型；
步骤四，通过实时性数据计算单元提取缓存区中的数据进行通过步骤三中的标准训练预测模型进行实时的计算；
步骤五，计算获得配电网的故障数量，再结合安装在各区域两端的配电网检测数据采集分析单元进行计算，得到故障的实时定位。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明实现了故障发生可以预测，有效进行故障发生次数预测，且考虑因素更加全面，据此能够得到更为快速、准确、可靠的故障次数预测，同时对故障的判定更加智能化，故障判定准确率高，比较理想的故障定位方法。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，适合推广。
本发明应用无线路由通信网络进行配电自动化中的实时数据传输，将配电终端设备遥测(电流、电压)、遥信(开关变位、故障信息等)数据进行传输。根据传输数据的重要性等级、节点位置等信息进行选择路由协议，确保传输的实时性、可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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是本发明实施例提供的基于大数据技术的配电网故障预测***及方法***结构图。
图2是本发明实施例提供的大数据平台分析模块中内部结构。
图3是本发明实施例提供的基于大数据技术的配电网故障预测方法流程图。
图4是本发明实施例提供的数据预处理单元采用的数据预处理方法流程图。
图5是本发明实施例提供的数据清洗单元对接入的内部数据和外部数据进行清洗转化的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于大数据技术的配电网故障预测***及方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于大数据技术的配电网故障预测***包括数据源、大数据分析平台和大数据预测和定位模块，所述的数据源包括数据预处理和外部数据，其中数据预处理包括生产管理、电网运行、业务营销和用电采集，外部数据包括地理信息、气象信息、社会经济和科技水平，大数据平台分析中的模块单元可以从中获取相应的数据信息，所述觉得大数据预测和定位模块包括故障预测、数据采集分析、故障定位单元。本***方法的核心部分在于大数据平台分析模块和大数据预测和定位模块中，通过大数据平台分析模块中的数据信息采集单元获取数据源中的配电网数据信息，将得到的数据信息处理后通过数据挖掘计算后的标准预测训练模型训练得到预测的配电网信息值，然后将此信息发送到大数据预测和定位模块中，得到故障预测信息，通过数据采集分析单元计算故障的具***置。
本发明实施例提供的数据源采集的数据利用无线通信路由网络传递给大数据分析平台；
本发明实施例提供的无线通信路由网络由低功耗无线路由节点、数据转发站，以及相应无线自组网、自适应通信技术组成，用于配电网线路的无线数据传输和中继，传输配电终端设备的相关信息；
本发明实施例提供的无线通信路由网络采用基于预测-决策-执行的分层协作处理和具有QoS保障控制功能的路由协议，通过路径传输延时和链路可靠预测算法，最优实时路径和链路质量路径决策算法，以及按需分配的优先缓冲队列传输执行算法，优化智能配电网各类数据业务有确定***质量要求的端到端数据传输路径，进行数据传输。
本发明实施例提供的大数据平台分析包括实时数据采集的获取单元、外部数据获取单元和数据清洗单元，所述实时数据采集的获取单元用于接入数据处理域的数据，实时采集电网运行数据；外部数据获取单元用于接入外部数据模块，采集外部数据；所述数据清洗单元用于对接入的内部数据和外部数据进行清洗转化，通过数据格式化单元和数据归一化的处理之后写入数据缓存区中。
本发明实施例提供的大数据平台分析模块中的数据挖掘和高级数据计算，通过数据挖掘单元从现有的网络或者各种配电***公开的数据集中爬取响应的区域配电网参数数据，包括正常运行的数据和出现故障的数据，然后将此数据经过数据清洗、数据格式化和数据的归一化处理之后，放入缓存区内，所述的高级数据计算单元获取缓存区中的数据进行训练，得到标准的配电网数据预测模型，将此模型发送到实时性数据计算单元中，然后此单元从缓存区获取经过处理后的数据源的配电数据信息，进行训练，将训练的结果发送到大数据预测和定位模块中。
本发明实施例提供的大数据预测和定位模型是包括故障预测、数据采集分析和故障定位单元，所述的故障预测单元是依赖于ARIMA差分自回归移动平均模型来计算的，此模型是将非平稳时间序列转化为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型，是描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性的要求，必须具有自相关性，自相关系数小于0.5则不适用，p阶自回归预测模型算法为：
其中yi是当前值，μ是常数项，p是阶数，γi为自相关系数，εi是误差，yt-i是获取的最近的配电参数值，将获取配电网中的各项参数数据信息带入上述公式，将的得到的结果结合序标准训练模型进行预测配电网出现故障的节点数。
本发明实施例提供的大数据预测和定位模块中的数据采集分析和故障定位单元中，通过数据采集分析获取配电网络每个节点两侧安装的配电信号检测信息，将现在的监测数据，和历史的正常监测数据、故障的监测数据比对，得到该配电节点是否有故障产生，实现故障的定位。
如图3所示，本发明实施例提供的基于大数据技术的配电网故障预测方法包括：
S101，检测数据源的数据，通过实时性数据的采集获取单元和外部数据获取单元获取数据的预处理和外部数据进行初步的筛选，将此数据作为大数据分析的基础数据；
S102，将获取的数据利用无线通信路由网络进行传输，将获取的数据进行数据清洗和数据的格式化处理，进行数据存储之前的归一化处理，将数据放入缓存区等待下一步的处理和计算；
S103，通过数据挖掘单元爬取大数据网络中的配电数据信息，将此数据作为参考的标准，使用高级数据计算单元计算此数据做出标准预测训练模型；
S104，通过实时性数据计算单元提取缓存区中的数据进行通过步骤S103中的标准训练预测模型进行实时的计算；
S105，计算获得配电网的故障数量，再结合安装在各区域两端的配电网检测数据采集分析单元进行计算，得到故障的实时定位。
如图4所示，本发明实施例提供的数据预处理单元采用的数据预处理方法包括：
S201，读取原始外部数据集，将外部数据集中的数据输入FastText分类模型；
S202，通过FastText分类模型判断外部数据对应于生产管理、电网运行、业务营销和用电采集中的某一类别；
S203，根据每个类别的标记对外部数据集进行删除或保存，以得到相应于每个类别的最终样例集；
S204，根据所述最终类样例集生成最终样本数据集，以实现不同类别数据的预处理；
本发明实施例中的FastText分类模型包括输入层、隐含层和输出层，指定损失函数、优化器类型和评价指标；所述FastText分类模型预先通过训练样本数据进行训练处理，所述训练样本数据包括多条不同类别的外部数据，以及各个外部数据对应的生产管理、电网运行、业务营销和用电采集类别。
如图5所示，本发明实施例中的数据清洗单元对接入的内部数据和外部数据进行清洗转化的具体方法包括：
S301，获取待清洗内部数据和外部数据的训练样本集合；
S302，对训练样本集合进行聚类分析，获得训练样本集合的多个聚类分类；
S303，检测多个聚类分类中的训练样本，以获取每个所述聚类分类的训练样本中的误报样本；
S304，对误报样本所在的聚类分类进行数据清洗。
本发明解决的实际技术问题是：解决了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的问题。实现了配电信号监测方法监测的准确性高，在故障监测过程中，解决了对于人为导致的故障发生次数预测难度较大，会造成监测结果的不准确的问题，通过数据信息挖掘模型训练现有的数据源信息，结合差分自回归移动平均模型进行预测故障信息。
本发明利用数据挖掘训练模型和差分自回归移动平均模型结合进行预测配电网出现故障的数量，利用定位监测装置分析监测数据得到配电网故障的位置。
本***预测方法实现了故障发生可以预测，有效进行故障发生次数预测，且考虑因素更加全面，据此能够得到更为快速、准确、可靠的故障次数预测，同时对故障的判定更加智能化，故障判定准确率高，比较理想的故障定位方法。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，适合推广。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于大数据技术的配电网故障预测***，其特征在于，所述基于大数据技术的配电网故障预测***包括数据源、大数据分析平台、大数据预测和定位模块；
所述数据源包括无线组网数据传输、数据预处理单元和外部数据单元，所述数据预处理单元包括生产管理、电网运行、业务营销和用电采集，所述外部数据单元包括基于无线组网的线路地理信息、气象信息、社会经济和科技水平数据；
所述数据预处理单元采用的数据预处理方法包括：
读取原始外部数据集，将外部数据集中的数据输入FastText分类模型；
通过FastText分类模型判断外部数据对应于生产管理、电网运行、业务营销和用电采集中的某一类别；
根据每个类别的标记对外部数据集进行删除或保存，以得到相应于每个类别的最终样例集；
根据所述最终类样例集生成最终样本数据集，以实现不同类别数据的预处理；
所述数据源采集的数据利用无线通信路由网络传递给大数据分析平台；
所述无线通信路由网络由低功耗无线路由节点、数据转发站，以及相应无线自组网、自适应通信技术组成，用于配电网线路的无线数据传输和中继，传输配电终端设备的相关信息；
所述无线通信路由网络采用基于预测-决策-执行的分层协作处理和具有QoS保障控制功能的路由协议，通过路径传输延时和链路可靠预测算法，最优实时路径和链路质量路径决策算法，以及按需分配的优先缓冲队列传输执行算法，优化智能配电网各类数据业务有确定***质量要求的端到端数据传输路径，进行数据传输；
所述大数据平台分析包括实时数据采集的获取单元、外部数据获取单元和数据清洗单元，所述大数据分析平台用于数据信息采集单元获取数据源中的配电网数据信息，将得到的数据信息进行数据清洗筛选处理，处理后的信息通过数据挖掘计算后的标准预测训练模型训练得到预测的配电网信息值，然后将此信息发送到大数据预测和定位模块中；
所述大数据预测和定位模块包括故障预测单元、数据采集分析单元和故障定位单元，用于通过获取大数据分析平台处理后的信息得到故障预测信息，通过数据采集分析单元计算故障的具***置。
2.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述FastText分类模型包括输入层、隐含层和输出层，指定损失函数、优化器类型和评价指标；所述FastText分类模型预先通过训练样本数据进行训练处理，所述训练样本数据包括多条不同类别的外部数据，以及各个外部数据对应的生产管理、电网运行、业务营销和用电采集类别。
3.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述实时数据采集的获取单元用于接入数据处理域的数据，实时采集电网运行数据；外部数据获取单元用于接入外部数据模块，采集外部数据；所述数据清洗单元用于对接入的内部数据和外部数据进行清洗转化，通过数据格式化单元和数据归一化的处理之后写入数据缓存区中。
4.如权利要求3所述的基于大数据技术的配电网故障预测***，其特征在于，所述数据清洗单元对接入的内部数据和外部数据进行清洗转化的具体方法包括：
获取待清洗内部数据和外部数据的训练样本集合；
对训练样本集合进行聚类分析，获得训练样本集合的多个聚类分类；
检测多个聚类分类中的训练样本，以获取每个所述聚类分类的训练样本中的误报样本；
对误报样本所在的聚类分类进行数据清洗。
5.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述大数据平台分析模块中的数据挖掘单元从现有的网络或者各种配电***公开的数据集中爬取响应的区域配电网参数数据，包括正常运行的数据和出现故障的数据，然后将此数据经过数据清洗、数据格式化和数据的归一化处理之后，放入缓存区内。
6.如权利要求5所述的基于大数据技术的配电网故障预测***，其特征在于，所述数据的归一化处理包括：利用归一化处理算法对区域配电网参数数据进行归一化处理，并输出处理结果；读取已有的数据特征库中的数据，对比归一化处理后的处理结果，输出检测结果。
7.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述大数据平台分析模块中的高级数据计算单元获取缓存区中的数据进行训练，得到标准的配电网数据预测模型，将此模型发送到实时性数据计算单元中，然后此单元从缓存区获取经过处理后的数据源的配电数据信息，进行训练，将训练的结果发送到大数据预测和定位模块中。
8.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述故障预测单元通过ARIMA差分自回归移动平均模型计算，自相关系数小于0.5则不适用，p阶自回归预测模型算法为：
9.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述大数据预测和定位模块中的数据采集分析和故障定位单元中，通过数据采集分析获取配电网络每个节点两侧安装的配电信号检测信息，将现在的监测数据，和历史的正常监测数据、故障的监测数据比对，得到该配电节点是否有故障产生，实现故障的定位。
10.如权利要求1所述的基于大数据技术的配电网故障预测***，其特征在于，所述基于大数据技术的配电网故障预测***对故障进行预测的方法包括：
步骤一，检测数据源的数据，通过实时性数据的采集获取单元和外部数据获取单元获取数据的预处理和外部数据进行初步的筛选，将此数据作为大数据分析的基础数据；
步骤二，将获取的数据利用无线通信路由网络进行传输，将获取的数据进行数据清洗和数据的格式化处理，进行数据存储之前的归一化处理，将数据放入缓存区等待下一步的处理和计算；
步骤三，通过数据挖掘单元爬取大数据网络中的配电数据信息，将此数据作为参考的标准，使用高级数据计算单元计算此数据做出标准预测训练模型；
步骤四，通过实时性数据计算单元提取缓存区中的数据进行通过步骤三中的标准训练预测模型进行实时的计算；
步骤五，计算获得配电网的故障数量，再结合安装在各区域两端的配电网检测数据采集分析单元进行计算，得到故障的实时定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111031875.4A CN113902164A (zh) | 2021-09-03 | 2021-09-03 | 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 |
|---|---|---|---|
| CN202111031875.4A CN113902164A (zh) | 2021-09-03 | 2021-09-03 | 一种基于大数据技术的配电网故障预测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902164A true CN113902164A (zh) | 2022-01-07 |
Family
ID=79188635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111031875.4A Pending CN113902164A (zh) | 2021-09-03 | 2021-09-03 | 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) | CN113902164A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118101429A (zh) * | 2024-04-26 | 2024-05-28 | 国网福建省电力有限公司信息通信分公司 | 一种配电网通信故障诊断方法及*** |
-
2021
- 2021-09-03 CN CN202111031875.4A patent/CN113902164A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118101429A (zh) * | 2024-04-26 | 2024-05-28 | 国网福建省电力有限公司信息通信分公司 | 一种配电网通信故障诊断方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
| CN109872003B (zh) | 对象状态预测方法、***、计算机设备及存储介质 | |
| CN115545450B (zh) | 一种基于数字孪生的碳排放协同预测方法 | |
| CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN105426980B (zh) | 一种配电网健康指数评估工程应用*** | |
| CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
| CN113902164A (zh) | 一种基于大数据技术的配电网故障预测***及方法 | |
| CN110988596A (zh) | 一种新型主动配电网故障区段定位方法 | |
| CN113723773A (zh) | 一种基于大数据分析的电能决策*** | |
| CN111400295A (zh) | 配电网停电事件分析方法、装置及存储介质 | |
| CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| CN116614177A (zh) | 一种光纤状态多维度参量监测*** | |
| Ju et al. | The use of edge computing-based internet of things big data in the design of power intelligent management and control platform | |
| Hu et al. | Operational reliability evaluation method based on big data technology | |
| CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位*** | |
| CN116862132A (zh) | 基于大数据的资源调度方法 | |
| CN111857015B (zh) | 输变电云端智能控制器 | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
| Mao et al. | An early warning method of distribution system fault risk based on data mining | |
| CN111897655B (zh) | 一种输变电云端智能控制器 | |
| CN117977589B (zh) | 一种融合电网智能化终端管理***及方法 | |
| Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
| CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及*** | |
| CN114297920A (zh) | 基于数据预测填充及全局动态模型的线损计算方法 |
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 |