CN116914917A - 一种基于大数据的配电柜运行状态监测管理*** - Google Patents
一种基于大数据的配电柜运行状态监测管理*** Download PDFInfo
- Publication number
- CN116914917A CN116914917A CN202310634657.2A CN202310634657A CN116914917A CN 116914917 A CN116914917 A CN 116914917A CN 202310634657 A CN202310634657 A CN 202310634657A CN 116914917 A CN116914917 A CN 116914917A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- power distribution
- distribution cabinet
- threshold
- 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 92
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012800 visualization Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于大数据的配电柜运行状态监测管理***,属于配电柜运行状态监测技术领域,包括数据采集模块、数据存储模块、数据处理模块、数据分析模块、中央处理器、可视化模块、故障预警和报警模块,数据采集模块包括实体数据采集模块和网络数据采集模块,数据存储模块采用云存储技术保存数据采集模块采集到的配电柜的运行数据,数据处理模块对数据采集模块采集到的数据进行实时分析和处理;本发明是通过对阈值数据加入时节分析,可以在不同的月份和时间,来判断配电柜的数据是否异常,解决了白天和夜晚的用电情况差距十分大,所有数据一起分析会影响到判断精度的问题。
Description
技术领域
本发明涉及配电柜运行状态监测技术领域,更具体地说,涉及一种基于大数据的配电柜运行状态监测管理***。
背景技术
配电柜分动力配电柜和照明配电柜,是配电***的末级设备,配电柜也是电动机控制中心的统称,配电柜使用在负荷比较分散、回路较少的场合,电动机控制中心用于负荷集中、回路较多的场合,把上一级配电设备某一电路的电能分配给就近的负荷,这级设备应对负荷提供保护、监视和控制;
配电***在工业和商业领域中扮演着关键的角色,对供电的稳定性和安全性要求较高,大量的配电柜运行数据蕴含着重要的信息和洞察,可以用于优化维护计划和资源分配,传统的配电柜运行状态监测和管理通常需要大量的人工干预和定期巡检,效率低下且成本较高,未预测和未处理的故障可能对配电***造成严重的损害和停电事故;
为此,我们提出一种基于大数据的配电柜运行状态监测管理***。
发明内容
1、要解决的技术问题
本发明的目的在于提供一种基于大数据的配电柜运行状态监测管理***,以解决上述背景技术中提出的问题:
配电***在工业和商业领域中扮演着关键的角色,对供电的稳定性和安全性要求较高。大量的配电柜运行数据蕴含着重要的信息和洞察,可以用于优化维护计划和资源分配,传统的配电柜运行状态监测和管理通常需要大量的人工干预和定期巡检,效率低下且成本较高,未预测和未处理的故障可能对配电***造成严重的损害和停电事故。
2、技术方案
一种基于大数据的配电柜运行状态监测管理***,包括数据采集模块、数据存储模块、数据处理模块、数据分析模块、中央处理器、可视化模块、故障预警和报警模块;
所述数据采集模块包括实体数据采集模块和网络数据采集模块;
所述数据存储模块采用云存储技术保存数据采集模块采集到的配电柜的运行数据;
所述数据处理模块对数据采集模块采集到的数据进行实时分析和处理,计算得到报警阈值;
所述数据分析模块对需要监测的配电柜数据进行检测和分析,并且传输给中央处理器;
所述中央处理器对待监测配电柜数据与报警阈值进行对比,判断数据是否异常;
所述可视化模块生成报表和可视化图表,供用户能够直观地了解配电柜的运行状态。
故障预警和报警模块通过设定合适的阈值和规则,实时监测配电柜的运行数据,在发现数据异常时发出警报,及时发送报警信息给相关人员。
优选的,所述实体数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器,所述电流传感器、电压传感器、温度传感器、湿度传感器分别采集待监测的配电箱的电流、电压、温度和湿度数据。
优选地,所述网络数据采集模块收集网上公开的配电箱运行状态数据,所述网络数据采集模块还连接有网络数据筛分模块。
优选的,所述网络数据筛分模块对网络数据采集模块所采集到的数据进行筛分,去除重复数据、处理缺失值、处理异常值。
优选地,所述数据处理模块包括数据清洗模块、阈值计算模块;
所述数据清洗模块对采集到的数据进行清洗和预处理,包括去除重复数据、处理缺失值、处理异常值;
所述阈值计算模块对数据清洗模块处理过后的数据进行阈值计算。
优选地,所述数据清洗模块在处理缺失值时,对于单个数据缺失的配电柜数据集合,保留配电箱数据集合中除缺失数据外的其余数据;对于多个数据缺失的配电箱数据集合,删除集合中所有数据;
所述数据清洗模块在处理异常值时将同类型所有数据作为一个集合,将集合中的数据由小到大分布,将前5%和后5%的数据删除。
优选地,所述阈值计算模块阈值计算步骤如下:
步骤1:将数据清洗模块处理完成之后的数据根据类别分为数个数据集;
步骤2:将数据集内部所有数据取平均值,公式如下:μ=(∑x)/n
其中μ表示数据集的平均值,x表示数据集中的数据,n表示数据集中数据的数量;
步骤3:将数据集内部所有数据取标准差,公式如下:
其中σ表示标准差,x表示数据集中的每个数据点,μ表示数据集的平均值,n表示数据集中的数据点数量;
步骤4:人为设定最大阈值Tmax为μ+3σ,最小阈值Tmin为μ-3σ。
优选地,所述数据处理模块还包括时节分析模块,所述时节分析模块根据阈值计算模块计算得到的阈值,添加月份和时刻数据进行整合,获得不同月份不同时刻的阈值变化曲线。
优选地,所述时节分析模块工作步骤如下:
步骤1:将阈值计算模块计算得到的阈值添加月份和时刻数据;
步骤2:将阈值根据月份分为12个集合{A1……An}{B1……Bn}……{L1……Ln},并且将集合{A1……An}{B1……Bn}……{L1……Ln}中的数据根据时刻分为24个小集合;
步骤3:获得不同的月份和时刻集合共288个。
优选的,所述时刻集合划分标准为每个整点时刻的前后30分钟的所有数据为一个集合。
优选的,所述数据分析模块对待监测配电柜数据进行数据提取,包括电流、电压、温度和湿度以及相应的月份和时刻信息。
优选的,所述可视化模块对处理完成的阈值数据进行可视化呈现,根据数据的特点和可视化目标,选择合适的图表类型,将阈值随时间变化图用折线图表示,将月份平均阈值用柱状图表示,将实时检测得到的配电柜数据用红点表示在图中,并且为图表添加标题、坐标轴标签和图例,并且调整图表的颜色、线条样式、字体大小,添加交互功能和动态效果,允许用户在图表中进行探索和交互。
3、有益效果
1)本发明中,通过对阈值数据加入时节分析,可以在不同的月份和时间,来判断配电柜的数据是否异常,由于白天和夜晚的用电情况差距十分大,所有数据一起分析会影响到判断精度,而引入月份和时刻可以有效解决此问题。
2)实时监测和管理:通过配电柜运行状态监测管理***,可以实时采集、分析和处理配电柜的电流、电压、温度、湿度等数据,实现对配电柜运行状态的实时监测和管理。这有助于及时发现潜在故障和异常情况,并采取相应的措施进行处理,提高配电柜的运行效率和可靠性。
3)故障预测和预警:基于大数据和数据分析技术,***可以对配电柜的运行数据进行分析和挖掘,发现异常情况和趋势,并预测潜在故障。这样可以提前采取预防措施,避免故障发生或减少故障对配电***的影响,提高配电***的可靠性和稳定性。
4)效率提升和资源优化:***的自动化和实时监测功能可以提高运维的效率和工作效率,减少人工干预和人力资源的消耗。同时,***的故障预测和预警功能可以及时发现问题,优化资源的分配和利用,降低维修成本和停电时间。
5)决策的依据和支持:通过数据分析和可视化模块,***可以提供清晰、直观的数据展示和报告,为决策者提供直观的决策依据和支持。这有助于决策者更好地了解配电柜的运行状况,做出科学、合理的决策,提高决策的准确性和效果。
附图说明
图1为本基于大数据的配电柜运行状态监测管理***图;
具体实施方式
实施例1:
一种基于大数据的配电柜运行状态监测管理***,包括数据采集模块、数据存储模块、数据处理模块、数据分析模块、中央处理器、可视化模块、故障预警和报警模块;
数据采集模块包括实体数据采集模块和网络数据采集模块;
数据存储模块采用云存储技术保存数据采集模块采集到的配电柜的运行数据;
数据处理模块对数据采集模块采集到的数据进行实时分析和处理,计算得到报警阈值;
数据分析模块对需要监测的配电柜数据进行检测和分析,并且传输给中央处理器;
中央处理器对待监测配电柜数据与报警阈值进行对比,判断数据是否异常;异常数据传送给故障预警和报警模块进行报警,通知工作人员进行处理,正常数据则不做处理存储在数据存储模块中,作为以后阈值计算的基础数据。
可视化模块生成报表和可视化图表,供用户能够直观地了解配电柜的运行状态。
故障预警和报警模块通过设定合适的阈值和规则,实时监测配电柜的运行数据,在发现数据异常时发出警报,及时发送报警信息给相关人员。
一旦发生故障预警,***会触发报警通知,通过各种途径包括声音、短信、邮件、移动应用通知相关人员或***操作员。
故障预警和报警模块能够实时监测配电柜的运行状态,及时发现可能存在的故障或异常情况。通过设置预警规则和阈值,能够在故障发生之前提前预警,避免故障的进一步恶化或带来不可逆的损失。故障预警和报警的及时通知可以帮助相关人员快速做出响应和处理,减少停机时间和生产损失。通过故障预警和报警模块提供的信息和数据,可以帮助人员进行故障诊断和定位,加快故障排除的速度。通过分析故障预警和报警的数据,可以获取对配电柜运行的深入理解,并进行优化改进,提高***的可靠性和效率。
实体数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器,电流传感器、电压传感器、温度传感器、湿度传感器分别采集待监测的配电箱的电流、电压、温度和湿度数据。
网络数据采集模块收集网上公开的配电箱运行状态数据,网络数据采集模块还连接有网络数据筛分模块。
网络数据筛分模块对网络数据采集模块所采集到的数据进行筛分,去除重复数据、处理缺失值、处理异常值。
数据处理模块包括数据清洗模块、阈值计算模块;
数据清洗模块对采集到的数据进行清洗和预处理,包括去除重复数据、处理缺失值、处理异常值;
阈值计算模块对数据清洗模块处理过后的数据进行阈值计算。
去除重复数据包括以下步骤:
数据加载到相应的数据处理工具或库中,以便进行后续操作。
识别重复项:根据数据的特征和重复定义的规则,识别出重复的数据项。可以根据某一列或多列的数值或文本进行比较判断。
去除重复项:根据识别的重复项信息,删除其中的重复数据。可以选择保留第一次出现的数据,或保留最后一次出现的数据,或根据自定义的需求进行操作。
检查结果:确认去重操作是否成功,并检查数据是否满足预期的去重结果。
重复数据可能导致数据的不准确性,特别是在进行统计分析、建模和预测等任务时。通过去重操作,可以确保每个数据项都是唯一的,避免重复数据对结果的干扰。重复数据可能导致数据的不一致性,例如在不同记录中存储了相同的信息,但存在不同的属性值或格式。去重操作可以消除这种不一致性,使数据在各个记录中保持一致。重复数据可能导致数据的不可靠性,尤其在数据分析和决策过程中。通过去除重复数据,可以提高数据的可靠性和可信度,使分析结果更加可靠和可信。重复数据会增加数据处理和分析的复杂性,降低处理效率。通过去重操作,可以减少数据量,简化分析过程,提高分析效率和计算效率。去重后的数据更加干净和可靠,可以作为决策的依据,帮助用户做出准确、可信的决策。
数据清洗模块在处理缺失值时,对于单个数据缺失的配电柜数据集合,保留配电箱数据集合中除缺失数据外的其余数据;对于多个数据缺失的配电箱数据集合,删除集合中所有数据;处理缺失值的意义在于保证数据的完整性、准确性和可靠性,以确保后续的数据分析和决策的准确性。
数据清洗模块在处理异常值时将同类型所有数据作为一个集合,将集合中的数据由小到大分布,将前5%和后5%的数据删除。
在数据采集过程中,可能会受到环境干扰或传感器故障等原因导致数据中存在噪声和异常值。数据清洗模块可以通过统计方法或阈值筛选等方式检测和去除这些噪声和异常值,以减少对后续数据分析和模型训练的影响。在数据采集过程中,可能会出现数据缺失的情况,即某些数据点或字段的值缺失或未记录。数据清洗模块可以采用插值、填充默认值或删除缺失数据等方法来处理缺失值,以确保数据的完整性和一致性。不同的数据源或传感器可能使用不同的数据格式和单位,数据清洗模块可以对数据进行转换和规范化,使其具有统一的数据格式、单位和范围,以便于后续的数据分析和模型训练。在某些情况下,可能会存在重复记录或重复数据点的情况,这可能会对数据分析和模型训练产生偏差和误导。数据清洗模块可以通过去重操作,去除重复的数据,确保每个数据点的唯一性和准确性。
阈值计算模块阈值计算步骤如下:
步骤1:将数据清洗模块处理完成之后的数据根据类别分为数个数据集;
步骤2:将数据集内部所有数据取平均值,公式如下:μ=(∑x)/n
其中μ表示数据集的平均值,x表示数据集中的数据,n表示数据集中数据的数量;
步骤3:将数据集内部所有数据取标准差,公式如下:
其中σ表示标准差,x表示数据集中的每个数据点,μ表示数据集的平均值,n表示数据集中的数据点数量;
步骤4:人为设定最大阈值Tmax为μ+3σ,最小阈值Tmin为μ-3σ。
数据处理模块还包括时节分析模块,时节分析模块根据阈值计算模块计算得到的阈值,添加月份和时刻数据进行整合,获得不同月份不同时刻的阈值变化曲线。
时节分析模块工作步骤如下:
步骤1:将阈值计算模块计算得到的阈值添加月份和时刻数据;
步骤2:将阈值根据月份分为12个集合{A1……An}{B1……Bn}……{L1……Ln},并且将集合{A1……An}{B1……Bn}……{L1……Ln}中的数据根据时刻分为24个小集合;
步骤3:获得不同的月份和时刻集合共288个。
时刻集合划分标准为每个整点时刻的前后30分钟的所有数据为一个集合,刚好30分时向前进半小时,例如9:30算作10点的集合内。
通过对阈值数据加入时节分析,可以在不同的月份和时间,来判断配电柜的数据是否异常,由于白天和夜晚的用电情况差距十分大,所有数据一起分析会影响到判断精度,而引入月份和时刻可以有效解决此问题。
数据分析模块对待监测配电柜数据进行数据提取,包括电流、电压、温度和湿度以及相应的月份和时刻信息。
可视化模块对处理完成的阈值数据进行可视化呈现,根据数据的特点和可视化目标,选择合适的图表类型,将阈值随时间变化图用折线图表示,将月份平均阈值用柱状图表示,将实时检测得到的配电柜数据用红点表示在图中,并且为图表添加标题、坐标轴标签和图例,并且调整图表的颜色、线条样式、字体大小,添加交互功能和动态效果,允许用户在图表中进行探索和交互。通过可视化模块,用户可以直观地了解配电柜的运行状态和趋势,及时发现异常情况,并进行故障诊断和优化改进。它提供了数据的可视化呈现,使复杂的数据更易理解、分析和利用。
还可以采用数据建模的方式对阈值数据进行处理:
数据收集和准备:收集配电柜的历史运行数据,包括电流、电压、温度和湿度,确保数据的准确性和完整性,并进行数据清洗和预处理,包括去除异常值、填充缺失值。
特征工程:从收集到的数据中提取有意义的特征。对于电流和电压数据,可以提取统计特征包括均值、方差、最大值、最小值,频域特征包括傅里叶变换。对于温度和湿度数据,提取均值、标准差、变化率等特征。
数据划分:将准备好的数据集划分为训练集和测试集,确保训练集和测试集的数据具有代表性,并且保持一定的数据平衡性。
模型选择和训练:选择适合的机器学习或深度学习模型进行训练。可以尝试使用回归模型,包括线性回归、决策树回归,或者使用神经网络模型,如多层感知机、卷积神经网络。将训练集输入模型,使用适当的训练算法包括梯度下降对模型参数进行优化,拟合配电柜运行状态与输入特征之间的关系。
模型评估:使用测试集评估训练得到的模型的性能。使用回归模型的评价指标,包括均方根误差(RMSE)、平均绝对误差(MAE),来评估模型的准确性和预测能力。
模型优化和调整:根据评估结果,进行模型的优化和调整。可以尝试调整模型的超参数,如学习率、正则化参数等,或者尝试其他算法和模型结构。通过多次迭代优化,提高模型的性能和泛化能力。
模型应用:经过训练和优化后,将模型应用于实际的配电柜数据中,进行运行状态的监测和预测。将新的实时数据输入模型,获取配电柜的运行状态预测结果,并根据需要采取相应的操作和维护措施。
电流相关情况:
过载情况判断公式:I>Ie+ΔI_threshold
异常波动或突变判断公式:|ΔI/Δt|>I_rate_threshold
电压相关情况:
供电不稳定情况判断公式:|V-Ve|>V_threshold
电压跌落或电力故障判断公式:ΔV/Δt<-V_rate_threshold
温度相关情况:
过热风险判断公式:T>Te+ΔT_threshold
温度异常上升判断公式:ΔT/Δt>T_rate_threshold
湿度相关情况:
潮湿环境导致的绝缘问题判断公式:H>He+ΔH_threshold
湿度异常升高导致的水浸或漏电风险判断公式:ΔH/Δt>H_rate_threshold
在上述公式中,阈值和额定值起到了限制和比较的作用。阈值可以根据***要求和设备特性进行设定,用于判断数据是否超过了预定的阈值范围。额定值则是设备的额定参数,用作基准值进行比较和判断。ΔI_threshold、I_rate_threshold、V_threshold、V_rate_threshold、ΔT_threshold、T_rate_threshold、ΔH_threshold和H_rate_threshold是用于定义异常变化范围的阈值。
表达式"I>Ie+ΔI_threshold"的意思是:当电流(I)大于额定电流(Ie)加上电流阈值(ΔI_threshold)时,即可判断为异常电流。
具体解释如下:
I:当前实时测量到的电流值。
Ie:配电柜或设备的额定电流值,即正常工作条件下的电流。
ΔI_threshold:电流阈值,表示额外的允许偏差范围。如果当前电流值与额定电流之间的差超过了该阈值,就可认为是异常电流,其余同理。
迭代1:
数据收集和准备:收集配电柜的历史运行数据,并进行数据清洗和预处理。
特征工程:选择一些基本的统计特征进行提取,包括均值、标准差。
数据划分:将数据集划分为训练集和测试集。
模型选择和训练:选择一个简单的机器学习模型,如决策树,进行训练。
模型评估:使用测试集评估模型性能,并记录评估结果。
迭代2:
数据收集和准备:进一步收集配电柜的历史运行数据,并进行数据清洗和预处理。
特征工程:尝试添加更多的特征,如频域特征、时间序列特征等。
数据划分:重新划分数据集,确保训练集和测试集的代表性。
模型选择和训练:尝试使用更复杂的机器学习模型,如随机森林,进行训练。
模型评估:使用测试集评估模型性能,并比较与上一迭代的结果,记录评估结果。
迭代3:
数据收集和准备:进一步收集配电柜的历史运行数据,并进行数据清洗和预处理。
特征工程:尝试使用更高级的特征工程技术,如主成分分析(PCA)、自动特征选择等。
数据划分:重新划分数据集,确保训练集和测试集的平衡性和稳定性。
模型选择和训练:尝试使用深度学习模型,包括卷积神经网络(CNN)或循环神经网络(RNN),进行训练。
数据准备:收集和预处理训练数据集。通常需要将图像数据进行标准化、缩放和预处理,以便于模型的训练和收敛。
构建网络架构:设计CNN的网络结构。包括卷积层、池化层、全连接层等组件的堆叠。可以使用不同的层类型和参数配置来构建网络。
前向传播:将输入数据通过网络进行前向传播,计算输出结果。在卷积层中,使用卷积操作计算特征图。在池化层中,使用池化操作减小特征图的尺寸。在全连接层中,使用矩阵乘法和激活函数计算输出结果。
损失函数:定义损失函数来衡量模型预测结果与真实标签之间的差距。对于分类问题,常用的损失函数包括交叉熵损失函数。
反向传播:通过反向传播算法计算模型参数的梯度。根据损失函数的值,沿着网络的反向传播路径计算各层参数的梯度值。
参数更新:使用优化算法(如梯度下降法)根据参数的梯度更新网络参数。通过调整参数,使得损失函数逐渐减小,模型能够更好地拟合训练数据。
重复迭代:重复进行前向传播、计算梯度、参数更新的过程,直到达到指定的迭代次数或达到停止条件。
模型评估:使用验证集或测试集对训练好的模型进行评估。计算模型在新数据上的准确率、精确率、召回率等指标,以评估模型的性能
模型评估:使用测试集评估模型性能,并比较与前几次迭代的结果,记录评估结果。
根据上述模型,可以利用机器学习自动判断不同时间的阈值,并且智能判断当前数据是否为异常数据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (12)
1.一种基于大数据的配电柜运行状态监测管理***,其特征在于,包括数据采集模块、数据存储模块、数据处理模块、数据分析模块、中央处理器、可视化模块、故障预警和报警模块;
所述数据采集模块包括实体数据采集模块和网络数据采集模块;
所述数据存储模块采用云存储技术保存数据采集模块采集到的配电柜的运行数据;
所述数据处理模块对数据采集模块采集到的数据进行实时分析和处理,计算得到报警阈值;
所述数据分析模块对需要监测的配电柜数据进行检测和分析,并且传输给中央处理器;
所述中央处理器对待监测配电柜数据与报警阈值进行对比,判断数据是否异常;
所述可视化模块生成报表和可视化图表,供用户能够直观地了解配电柜的运行状态。
故障预警和报警模块通过设定合适的阈值和规则,实时监测配电柜的运行数据,在发现数据异常时发出警报,及时发送报警信息给相关人员。
2.根据权利要求1所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述实体数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器,所述电流传感器、电压传感器、温度传感器、湿度传感器分别采集待监测的配电箱的电流、电压、温度和湿度数据。
3.根据权利要求1所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述网络数据采集模块收集网上公开的配电箱运行状态数据,所述网络数据采集模块还连接有网络数据筛分模块。
4.根据权利要求3所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述网络数据筛分模块对网络数据采集模块所采集到的数据进行筛分,去除重复数据、处理缺失值、处理异常值。
5.根据权利要求1所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述数据处理模块包括数据清洗模块、阈值计算模块;
所述数据清洗模块对采集到的数据进行清洗和预处理,包括去除重复数据、处理缺失值、处理异常值;
所述阈值计算模块对数据清洗模块处理过后的数据进行阈值计算。
6.根据权利要求5所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述数据清洗模块在处理缺失值时,对于单个数据缺失的配电柜数据集合,保留配电箱数据集合中除缺失数据外的其余数据;对于多个数据缺失的配电箱数据集合,删除集合中所有数据;
所述数据清洗模块在处理异常值时将同类型所有数据作为一个集合,将集合中的数据由小到大分布,将前5%和后5%的数据删除。
7.根据权利要求6所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述阈值计算模块阈值计算步骤如下:
步骤1:将数据清洗模块处理完成之后的数据根据类别分为数个数据集;
步骤2:将数据集内部所有数据取平均值,公式如下:μ=(∑x)/n
其中μ表示数据集的平均值,x表示数据集中的数据,n表示数据集中数据的数量;
步骤3:将数据集内部所有数据取标准差,公式如下:
其中σ表示标准差,x表示数据集中的每个数据点,μ表示数据集的平均值,n表示数据集中的数据点数量;
步骤4:人为设定最大阈值Tmax为μ+3σ,最小阈值Tmin为μ-3σ。
8.根据权利要求7所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述数据处理模块还包括时节分析模块,所述时节分析模块根据阈值计算模块计算得到的阈值,添加月份和时刻数据进行整合,获得不同月份不同时刻的阈值变化曲线。
9.根据权利要求8所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述时节分析模块工作步骤如下:
步骤1:将阈值计算模块计算得到的阈值添加月份和时刻数据;
步骤2:将阈值根据月份分为12个集合{A1……An}{B1……Bn}……{L1……Ln},并且将集合{A1……An}{B1……Bn}……{L1……Ln}中的数据根据时刻分为24个小集合;
步骤3:获得不同的月份和时刻集合共288个。
10.根据权利要求9所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述时刻集合划分标准为每个整点时刻的前后30分钟的所有数据为一个集合。
11.根据权利要求1所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述数据分析模块对待监测配电柜数据进行数据提取,包括电流、电压、温度和湿度以及相应的月份和时刻信息。
12.根据权利要求1-11中任一项所述的一种基于大数据的配电柜运行状态监测管理***,其特征在于,所述可视化模块对处理完成的阈值数据进行可视化呈现,根据数据的特点和可视化目标,选择合适的图表类型,将阈值随时间变化图用折线图表示,将月份平均阈值用柱状图表示,将实时检测得到的配电柜数据用红点表示在图中,并且为图表添加标题、坐标轴标签和图例,并且调整图表的颜色、线条样式、字体大小,添加交互功能和动态效果,允许用户在图表中进行探索和交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634657.2A CN116914917A (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的配电柜运行状态监测管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310634657.2A CN116914917A (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的配电柜运行状态监测管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116914917A true CN116914917A (zh) | 2023-10-20 |
Family
ID=88361033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310634657.2A Pending CN116914917A (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的配电柜运行状态监测管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914917A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411184A (zh) * | 2023-10-26 | 2024-01-16 | 唐山昌宏科技有限公司 | 中低压供电应急处置智能指挥*** |
CN117477774A (zh) * | 2023-10-30 | 2024-01-30 | 安徽富煌电力装备科技有限公司 | 用于多功能配电柜的智能预警***及预警方法 |
CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
CN117994074A (zh) * | 2024-02-01 | 2024-05-07 | 江苏优亿诺智能科技有限公司 | 基于人工智能的配变异常预警方法、装置、设备及介质 |
CN118040912A (zh) * | 2024-04-15 | 2024-05-14 | 南京祥泰***科技有限公司 | 一种基于大数据的可视化设备数据智能监管方法及*** |
-
2023
- 2023-05-31 CN CN202310634657.2A patent/CN116914917A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411184A (zh) * | 2023-10-26 | 2024-01-16 | 唐山昌宏科技有限公司 | 中低压供电应急处置智能指挥*** |
CN117411184B (zh) * | 2023-10-26 | 2024-05-03 | 唐山昌宏科技有限公司 | 中低压供电应急处置智能指挥*** |
CN117477774A (zh) * | 2023-10-30 | 2024-01-30 | 安徽富煌电力装备科技有限公司 | 用于多功能配电柜的智能预警***及预警方法 |
CN117994074A (zh) * | 2024-02-01 | 2024-05-07 | 江苏优亿诺智能科技有限公司 | 基于人工智能的配变异常预警方法、装置、设备及介质 |
CN117833479A (zh) * | 2024-03-06 | 2024-04-05 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
CN117833479B (zh) * | 2024-03-06 | 2024-06-07 | 国网山东省电力公司日照供电公司 | 配电线路私自改动监控报警装置 |
CN118040912A (zh) * | 2024-04-15 | 2024-05-14 | 南京祥泰***科技有限公司 | 一种基于大数据的可视化设备数据智能监管方法及*** |
CN118040912B (zh) * | 2024-04-15 | 2024-06-18 | 南京祥泰***科技有限公司 | 一种基于大数据的可视化设备数据智能监管方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理*** | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断***和方法 | |
CN113902241A (zh) | 一种基于综合状态评价的电网设备检修的策略***及方法 | |
CN110703743A (zh) | 设备故障预测与检测***和方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN115936663A (zh) | 一种电力***的维护方法及装置 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN117807155B (zh) | 多维度预警提示信息的生成方法、设备及存储介质 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN118157325B (zh) | 一种用于新能源电力的实时监测方法及*** | |
CN117171176B (zh) | 一种基于人工智能的用电大数据自升级监管平台 | |
CN117150032B (zh) | 一种水电站发电机组的智能维护***及方法 | |
CN117874976A (zh) | 一种电力物联网模拟仿真平台与仿真方法 | |
Guoliang et al. | Cable Situation Awareness and Early Warning Method for Multi-source Input Fusion | |
CN118395358A (zh) | 一种变电站智能防误拓扑分析方法 | |
Dong et al. | Log fusion technology of power information system based on fuzzy reasoning |
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 |