CN118035924B - 一种基于电力大数据电力设备故障数据处理方法和*** - Google Patents
一种基于电力大数据电力设备故障数据处理方法和*** Download PDFInfo
- Publication number
- CN118035924B CN118035924B CN202410430427.9A CN202410430427A CN118035924B CN 118035924 B CN118035924 B CN 118035924B CN 202410430427 A CN202410430427 A CN 202410430427A CN 118035924 B CN118035924 B CN 118035924B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- electric energy
- energy meter
- fault 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000012512 characterization method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 238000000692 Student's t-test Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012353 t test Methods 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Abstract
本发明属于数据处理技术领域,本发明提供了一种基于电力大数据电力设备故障数据处理方法和***,包括:实时采集电能表的故障数据,对采集的故障数据进行预处理,并进行合格检测,为电能表的故障判断提供全面且准确的数据支撑,计算电能表的故障表征系数,判定电能表故障的异常程度,有利于对电能表故障问题进行准确的诊断,基于电能表的故障数据计算电能表的故障表征差值,基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值,根据影响值分析数据偏差对电能表故障的影响程度,有利于降低对电能表故障程度的误判率,还有利于对电能表进行相应的优化和调整,提高其计量准确性和运行稳定性。
Description
技术领域
本发明属于数据处理技术领域,具体地说是一种基于电力大数据电力设备故障数据处理方法和***。
背景技术
随着电力***的快速发展,电能表的准确性和稳定性对保障电力***的正常运行具有重要意义。然而,在实际应用中,由于各种原因,电能表可能会出现故障,导致数据出现偏差。如何准确、快速地处理这些故障数据,是当前亟待解决的问题。
公开号为CN112306410A的一项中国专利申请公开了一种电能表的数据处理方法、装置、存储介质及电能表,包括:当所述电能表产生需要更新的数据时,将更新数据存放到预设的数据缓冲区后,对所述数据缓冲区中的所有数据进行校验得到相应的校验码;将所述更新数据和校验后得到的所述校验码存储到第二存储介质中,所述第二存储介质为所述电能表主控芯片的外部存储器;当检测所述电能表掉电时,将所述数据缓冲区中的所述更新数据和所述校验码存储到第一存储介质中,所述第一存储介质为所述电能表主控芯片的内部存储器。本发明提供的方案能够防止数据被篡改,保证数据的安全性。
上述现有技术中,在电能表故障时对数据进行保存,可在电能表故障或者需要数据更新时,防止数据丢失,但缺少对电能表故障时的故障数据进行处理、检验以及分析。
为此,本发明提供一种基于电力大数据电力设备故障数据处理方法和***。
发明内容
为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。
本发明解决其技术问题所采用的技术方案是:一种基于电力大数据电力设备故障数据处理方法,包括:
步骤一:通过采集模块在电能表故障时,实时采集电能表的故障数据;
步骤二:对采集的故障数据进行预处理,包括:数据清洗、数据异常值处理、缺失值处理和归一化处理;
其中,缺失值处理为:将所有采集时间节点对应的电能表的故障数据中与缺失数据类型相同的所有数据的均值作为填补数据,利用填补数据对电能表的故障数据中存在缺失的数据进行填补;
完成对缺失的数据进行填补后,将每个采集时间节点对应的电能表的故障数据作为元素并整合形成集合,若在形成的多个集合中,存在相同的集合或集合之间存在交集,则将电能表的故障数据再次进行数据清洗;
步骤三:对预处理后的电能表的故障数据采用t检验法进行差异性检测,基于检测结果判定故障数据是否合格,并对检测不合格的电能表的故障数据反复进行预处理;
步骤四:基于预处理后的电能表的故障数据构建故障数据折线,基于故障数据折线计算电能表的故障表征系数;
步骤五:基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定;
步骤六:基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值;
步骤七:基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值并分析数据偏差对电能表故障的影响程度。
作为本发明进一步的技术方案为:所述电能表的故障数据包括:故障电流、故障电压、故障功率。
作为本发明进一步的技术方案为:对所述采集的故障数据进行预处理,其数据清洗的具体步骤包括:
获得采集模块的每个采集时间节点以及在每个采集时间节点所采集的电能表的故障数据;
检测是否存在数值相等的故障数据,若不存在,则无需对数据进行删除处理,若存在,则将重复且多余的故障数据进行删除。
作为本发明进一步的技术方案为:对所述采集的故障数据进行预处理,其数据异常值处理的具体步骤包括:
统计所有采集时间节点对应的电能表故障数据,并将其求和取均值,并将每个采集时间节点所对应的电能表故障数据与均值进行比较,获得比较差值,将不在预设阈值范围内的比较差值所对应的电能表故障数据进行删除。
作为本发明进一步的技术方案为:对所述采集的故障数据进行预处理,其归一化处理的具体步骤包括:
将所有采集时间节点对应的电能表的故障数据进行排列标记,将标记后获得的点数据代入归一化公式:获得更新后的点数据xip,其中,xi为排列标记后的故障电流,xip为xi更新后的点数据,ximin为点数据中的最小值,ximax为点数据中的最大值。
作为本发明进一步的技术方案为:对所述预处理后的电能表的故障数据采用t检验法进行合格检测,通过公式:获得两组数据的t统计量;
预设t统计量的阈值为TI;
若t≥TI,则说明两组数据之间的差异性显著,预处理后的电能表的故障数据不合格,对其进行反复预处理,直到合格为止;
若t<TI,则说明两组数据之间的差异性不显著,预处理后的电能表的故障数据合格。
作为本发明进一步的技术方案为:基于所述预处理后的电能表的故障数据计算电能表的故障表征系数,将所有采集时间节点对应的故障电流、故障电压以及故障功率数据分别在多个X-Y轴坐标系内进行标记,并将标记后的点进行直线连接,获得各故障数据折线,获取电能表正常运行状态的电流、电压、功率数据,并将其标记为正常运行状态数据,以电能表正常运行状态的电流、电压、功率数据为基准值作基准线,将各数据折线分别与基准线进行端点连接,计算各数据折线与基准线之间所围成的面积,并将各数据折线与基准线所围成的面积进行求和,获得数据折线与基准线之间所围成的总面积,计算基准线与X轴围成的面积,将数据折线与基准线之间所围成的总面积和基准线与X轴之间所围成的面积进行比值处理,得到数据折线与基准线之间所围成的总面积比,并将其标记为ai;
统计故障数据中包含的具体故障数据的数量以及统计电能表正常运行状态数据的数量,将故障数据中包含的具体故障数据的数量与正常运行状态数据的数量进行比值处理,得到故障数据中包含的具体故障数据的数量比,并将其标记为bi;
通过公式:获得电能表的故障表征系数ci,其中/>为预设比例系数。
作为本发明进一步的技术方案为:对所述电能表故障的异常程度进行判定,具体的,预设电能表的故障表征系数阈值为di;
若ci≥di,则说明电能表故障的异常程度高;
若ci<di,则说明电能表故障的异常程度低。
作为本发明进一步的技术方案为:计算数据偏差对电能表故障表征系数的影响值并分析数据偏差对电能表故障的影响程度,其具体过程为:
计算其影响值,其中,影响值=电能表的故障表征差值/两组数据的t统计量;
将获得的影响值标记为ji,预设影响阈值为ki;
若ji<ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度低;
若ji≥ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度高。
一种基于电力大数据电力设备故障数据处理***,包括:
采集模块,所述采集模块用于在电能表故障时,实时采集电能表的故障数据;
数据预处理模块,所述数据预处理模块用于对采集模块所采集的电能表的故障数据进行预处理,数据预处理模块包括:数据清洗单元、数据异常值处理单元、数据缺失值处理单元以及数据归一化处理单元;
所述数据清洗单元用于去除故障数据中重复且无效的数据;
所述数据异常值处理单元用于去除故障数据中存在的异常故障数据;
所述数据缺失值处理单元用于对缺失的故障数据进行填补并判定填补后的故障数据是否进行数据清洗;
所述数据归一化处理单元用于消除故障数据中极端数据值对整体数据的影响;
数据验证模块,所述数据验证模块用于对经过预处理后的数据进行合格验证;
计算模块,所述计算模块包括第一计算单元和第二计算单元;
所述第一计算单元用于根据预处理后电能表的故障数据计算电能表的故障表征系数,所述第二计算单元用于根据电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原值故障表征系数与电能表的故障表征系数计算电能表的故障表征差值,所述第二计算单元还用于基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值;
判定模块,所述判定模块包括第一判定模块、第二判定模块;
其中,所述第一判定模块用于基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定,所述第二判定模块用于根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障程度判定的影响度。
本发明的有益效果如下:
1.本发明所述的一种基于电力大数据电力设备故障数据处理方法和***,通过采集模块在电能表故障时,实时采集电能表的故障数据,对采集的故障数据进行预处理,包括:数据清洗、数据异常值处理、缺失值处理和归一化处理,对预处理后的电能表的故障数据进行合格检测,并对检测不合格的电能表的故障数据反复进行预处理,直到合格为止,本发明对所采集的电能表故障数据进行多个步骤的预处理,使得电能表的故障数据更加准确,并使用t检验法对预处理后的故障数据进行验证,保证预处理后的故障数据没有与原始故障数据之间存在较大的实际偏差,整体提高数据的精准度,为电能表的故障判断提供全面且准确的数据支撑。
2.本发明所述的一种基于电力大数据电力设备故障数据处理方法和***,基于预处理后的电能表的故障数据计算电能表的故障表征系数,基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定,有利于通过了解电能表故障的程度,可以对问题进行准确的诊断,从而确定最有效的解决方案并且如果电能表出现轻微故障,及时了解并采取相应措施可以防止故障进一步扩大,从而避免造成更大的损失,在了解故障程度后,可以优化电能表的性能,提高其运行效率,准确地了解电能表故障的程度还有利于预防潜在的安全风险,保障电力***的安全运行。
3.本发明所述的一种基于电力大数据电力设备故障数据处理方法和***,基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值,基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值,根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障的影响程度,有利于降低对电能表故障程度的误判率,进一步提高对电能表故障问题诊断的准确性,还有利于对电能表进行相应的优化和调整,提高其计量准确性和运行稳定性。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明实施例一的一种基于电力大数据电力设备故障数据处理方法的方法流程图;
图2是发明实施例二中的故障电流折线图;
图3是发明实施例二中的故障电压折线图;
图4是发明实施例二中的故障功率折线图;
图5是本发明实施例四的一种基于电力大数据电力设备故障数据处理***的***模块图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例一,如图1所示,本发明实施例的一种基于电力大数据电力设备故障数据处理方法,包括:
步骤一:通过采集模块在电能表故障时,实时采集电能表的故障数据,电能表的故障数据包括:故障电流、故障电压以及故障功率等;
步骤二:对采集的故障数据进行预处理,包括:数据清洗、数据异常值处理、缺失值处理和归一化处理;
其中,具体步骤包括:
S101,通过数据清洗去除故障数据中重复且无效的数据,获得采集模块的每个采集时间节点以及在每个采集时间节点所采集的电能表的故障数据;
将每个时间节点所采集的电能表的故障数据进行比对,检测是否存在数值相等的故障数据,若不存在,则无需对数据进行删除处理,若存在,则将重复且多余的故障数据进行删除;
S102,将经过数据清洗后的电能表的故障数据通过数据异常值处理去除故障数据中存在的异常故障数据,具体的,统计所有采集时间节点对应的电能表故障数据,并将其求和取均值,并将每个采集时间节点所对应的电能表故障数据与均值进行比较,获得比较差值,将不在预设阈值范围内的比较差值所对应的电能表故障数据进行删除;
优选的,针对一个具体的电能表的故障数据对数据异常值处理过程进行说明,在所有采集时间节点对应的电能表的故障数据中,对其故障电流进行标记,如,,其中,/>表示故障电流,/>表示时间节点,将标记后的故障电流进行求和取均值:/>;
将每个采集时间节点的故障电流与进行差值处理,获得比较差值,如:;
预设比较差值的阈值范围为,其中/>为电能表的故障电流小于其均值时,两者进行作差后的阈值,i为电能表的故障电流大于其均值时,两者进行作差后的阈值;
将所得到的比较差值与预设的阈值范围进行比较分析,若其比较差值不在预设的阈值范围内,则将其对应的电能表的故障电数据进行删除;
S103,对数据进行缺失值处理,在每个采集时间节点对应的电能表的故障数据中,检测是否存在缺失的数据,若存在,则将所有采集时间节点对应的电能表的故障数据中与缺失数据类型相同的所有数据的均值作为填补数据,对该缺失的数据进行缺失值处理,利用填补数据对该缺失的数据进行填补,若不存在,则无需进行缺失值处理,其中,若存在缺失数据,且完成对缺失数据进行缺失值处理后,检测该采集时间节点对应的电能表的故障数据在进行缺失值处理后,是否需要再次进行数据清洗处理,避免数据进行缺失值处理后发生重复;
具体的,针对一个具体的电能表的故障数据对缺失值处理过程进行说明,检测每个采集时间节点对应的电能表的故障数据中,是否存在故障电压缺失情况,若不存在,则无需进行缺失值处理,若存在,则将所有采集时间节点对应的电能表的故障数据中所有的故障电压进行求和取均值,将均值作为电压填补数据,利用电压填补数据对缺失的故障电压进行填补,完成缺失值处理;
在完成缺失值处理后,将每个采集时间节点对应的电能表的故障数据作为元素并整合形成一个集合,例如,将第一个采集时间节点对应的电能表的故障数据标记为集合A,且将第一个采集时间节点对应的电能表的故障数据中,故障电流标记为a1,故障电压标记为a2,……,故障功率标记为ai,其中,a1、a2、a3……ai∈A;
将第一个采集时间节点对应的电能表的故障数据标记为集合B,且将第二个采集时间节点对应的电能表故障数据中,故障电流标记为b1,故障电压标记为b2,……,故障功率标记为bi,其中,b1、b2、b3……bi∈B;
若上述集合A和集合B存在A=B或A∩B,则说明进行缺失值处理后的数据发生重复,则需要再次进行数据处理;
若上述集合A和集合B不存在A=B或A∩B,则说明行缺失值处理后的数据没有发生重复,则无需再次进行数据处理;
需要说明的是,A∩B表示的是A集合与B集合存在交集;
S104,对数据进行归一化处理,将所有采集时间节点对应的电能表的故障数据进行排列标记,具体的,将所有电能表的故障数据中的故障电流,故障电压等数据分别进行排列标记,如:将所有故障电流标记为x1、x2、x3……xi,将所有故障电压标记为y1、y2、y3……yi,将所有故障功率标记为z1、z2、z3……zi,同理,对电能表的故障数据中的其他故障数据进行一一标记,此处不再进行说明,优选的,针对故障电流对数据进行归一化处理进行说明,将xi按照归一化处理公式:获得更新后的点数据xip;
其中,xip为xi更新后的点数据,ximin和ximax为x1、x2、x3……xi中的最小值和最大值;
步骤三:对预处理后的电能表的故障数据进行合格检测,并对检测不合格的电能表的故障数据反复进行预处理,直到合格为止;
具体地,使用t检验法验证经过预处理后的电能表故障数据是否合格的步骤为:
将经过预处理后的所有采集时间节点对应的电能表的故障数据中的故障电流、故障电压、故障功率等数据进行整合,形成故障电流数据组、故障电压数据组、故障功率等数据组;
将未经过预处理的所有采集时间节点对应的电能表的故障数据中的故障电流、故障电压、故障功率等数据进行整合,形成故障电流数据对照组、故障电压数据对照组、故障功率数据对照组等对照组;
计算故障电流数据组、故障电压数据组、故障功率数据组等数据组的均值与标准差以及故障电流数据对照组、故障电压数据对照组、故障功率数据对照组等对照组的均值与标准差,将故障电流数据组、故障电压数据组、故障功率数据组等数据组的均值与标准差分别求和,获得故障数据组的整体均值与整体标准差,同理,将故障电流数据对照组、故障电压数据对照组、故障功率数据对照组等对照组的均值与标准差进行求和,获得故障数据对照组的整体均值与整体标准差;
通过公式:获得两组数据的t统计量;
预设t统计量的阈值为TI;
若t≥TI,则说明两组数据之间的差异性显著,预处理后的电能表的故障数据不合格,对其进行反复预处理,直到合格为止;
若t<TI,则说明两组数据之间的差异性不显著,预处理后的电能表的故障数据合格;
需要说明的是,两组数据的t统计量可以衡量两组数据的差异性的显著水平;
本实施例的工作原理为:通过采集模块在电能表故障时,实时采集电能表的故障数据,对采集的故障数据进行预处理,包括:数据清洗、数据异常值处理、缺失值处理和归一化处理,对预处理后的电能表的故障数据进行合格检测,并对检测不合格的电能表的故障数据反复进行预处理,直到合格为止,本发明对所采集的电能表故障数据进行多个步骤的预处理,使得电能表的故障数据更加准确,并使用t检验法对预处理后的故障数据进行验证,保证预处理后的故障数据没有与原始故障数据之间存在较大的实际偏差,整体提高数据的精准度,为电能表的故障判断提供全面且准确的数据支撑。
实施例二,基于实施例一的基础上,本发明实施例的一种基于电力大数据电力设备故障数据处理方法,包括:
步骤一:基于实施例一中预处理后的电能表的故障数据计算电能表的故障表征系数;
具体的,将电能表的故障数据中,所有采集时间节点对应的故障电流,故障电压以及故障功率等数据分别在多个X-Y轴坐标系内进行标记,并将标记后的点进行直线连接,获得故障数据折线,其中,X轴表示的是采集时间节点,Y轴表示的各故障数据的具体数值,如图2-4所示,故障数据折线包括:故障电流折线、故障电压折线、故障功率折线等;
获得电能表正常运行状态的电流、电压、功率等数据,并将其标记为正常运行状态数据,以电能表正常运行状态下的电流、电压、功率等数据的具体数值为基准值,在各数据折线分别所在的坐标系的Y轴上以基准值为基准点,作一条平行于X轴的直线,并将其标记为基准线,且基准线的起始端至结束端的水平距离与各数据折线的起始端至结束端的水平距离相等;
将各数据折线分别与基准线进行端点连接,计算各数据折线与基准线之间所围成的面积,并将各数据折线与基准线所围成的面积进行求和,获得数据折线与基准线之间所围成的总面积,计算基准线与X轴围成的面积,将数据折线与基准线之间所围成的总面积和基准线与X轴之间所围成的面积进行比值处理,得到数据折线与基准线之间所围成的总面积比,并将其标记为ai;
统计故障数据中包含的具体故障数据的数量以及统计电能表正常运行状态数据的数量,将故障数据中包含的具体故障数据的数量与正常运行状态数据的数量进行比值处理,得到故障数据中包含的具体故障数据的数量比,并将其标记为bi;
通过公式:获得电能表的故障表征系数ci,其中/>为预设比例系数;
步骤二;基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定;
具体地,预设电能表的故障表征系数阈值为di;
若ci≥di,则说明电能表故障的异常程度高;
若ci<di,则说明电能表故障的异常程度低;
本发明实施例的工作原理为:基于预处理后的电能表的故障数据计算电能表的故障表征系数,基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定,有利于通过了解电能表故障的程度,可以对问题进行准确的诊断,从而确定最有效的解决方案并且如果电能表出现轻微故障,及时了解并采取相应措施可以防止故障进一步扩大,从而避免造成更大的损失,在了解故障程度后,可以优化电能表的性能,提高其运行效率,准确地了解电能表故障的程度还有利于预防潜在的安全风险,保障电力***的安全运行。
实施例三,结合实施例一与实施例二,本发明实施例的一种基于电力大数据电力设备故障数据处理方法,包括:
步骤一:基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值;
具体地,电能表的故障表征差值=电能表的故障表征系数-电能表的原值故障表征系数;
需要说明的是,基于电能表的故障数据计算电能表的原始故障表征系数与实施例二中计算电能表的故障表征系数方法相同,此处不再说明;
步骤二:基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值;
其中,影响值=电能表的故障表征差值/两组数据的t统计量;
步骤三:根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障的影响程度;
将获得的影响值标记为ji,预设影响阈值为ki;
若ji<ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度低;
若ji≥ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度高。
本发明实施例的工作原理为:基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值,基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值,根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障的影响程度,有利于降低对电能表故障程度的误判率,进一步提高对电能表故障问题诊断的准确性,还有利于对电能表进行相应的优化和调整,提高其计量准确性和运行稳定性。
实施例四,如图5所示,本发明实施例的一种基于电力大数据电力设备故障数据处理***,包括:
采集模块,采集模块用于在电能表故障时,实时采集电能表的故障数据;
数据预处理模块,数据预处理模块用于对采集模块所采集的电能表的故障数据进行预处理,数据预处理模块包括:数据清洗单元、数据异常值处理单元、数据缺失值处理单元以及数据归一化处理单元;
其中,数据清洗单元用于去除故障数据中重复且无效的数据;
数据异常值处理单元用于去除故障数据中存在的异常故障数据;
数据缺失值处理单元用于对缺失的故障数据进行填补并判定填补后的故障数据是否进行数据清洗;
数据归一化处理单元用于消除故障数据中极端数据值对整体数据的影响;
数据验证模块,数据验证模块用于对经过预处理后的数据进行合格验证;
计算模块,计算模块包括第一计算单元和第二计算单元;
其中,第一计算单元用于根据预处理后电能表的故障数据计算电能表的故障表征系数,第二计算单元用于根据电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原值故障表征系数与电能表的故障表征系数计算电能表的故障表征差值,第二计算单元还用于基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值;
判定模块,判定模块包括第一判定模块、第二判定模块;
其中,第一判定模块用于基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定,第二判定模块用于根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障程度判定的影响度。
以上显示和描述了本发明的基本原理、主要特征和优点。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只是说明本发明的原理,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 (7)
1.一种基于电力大数据电力设备故障数据处理方法,其特征在于:包括:
步骤一:实时采集电能表的故障数据;
步骤二:对采集的故障数据进行预处理;
步骤三:对预处理后的故障数据采用t检验法进行差异性检测,判定故障数据是否合格,并对检测不合格的电能表的故障数据反复进行预处理;
步骤四:基于预处理后的电能表的故障数据构建故障数据折线,基于故障数据折线计算电能表的故障表征系数;
将所有采集时间节点对应的故障电流,故障电压以及故障功率数据分别在多个X-Y轴坐标系内进行标记,并将标记后的点进行直线连接,获得各故障数据折线,获取电能表正常运行状态的电流、电压、功率数据,并将其标记为正常运行状态数据,以电能表正常运行状态的电流、电压、功率数据为基准值作基准线,将各数据折线分别与基准线进行端点连接,计算各数据折线与基准线之间所围成的面积,并将各数据折线与基准线所围成的面积进行求和,获得数据折线与基准线之间所围成的总面积,计算基准线与X轴围成的面积,将数据折线与基准线之间所围成的总面积和基准线与X轴之间所围成的面积进行比值处理,得到数据折线与基准线之间所围成的总面积比,并将其标记为ai;
统计故障数据中包含的具体故障数据的数量以及统计电能表正常运行状态数据的数量,将故障数据中包含的具体故障数据的数量与正常运行状态数据的数量进行比值处理,得到故障数据中包含的具体故障数据的数量比,并将其标记为bi;
通过公式:获得电能表的故障表征系数ci,其中/>为预设比例系数;
步骤五:基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定;
预设电能表的故障表征系数阈值为di;
若ci≥di,则说明电能表故障的异常程度高;
若ci<di,则说明电能表故障的异常程度低;
步骤六:基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值;
步骤七:基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值并分析数据偏差对电能表故障的影响程度;
计算其影响值,其中,影响值=电能表的故障表征差值/两组数据的t统计量;
将获得的影响值标记为ji,预设影响阈值为ki;
若ji<ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度低;
若ji≥ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度高。
2.根据权利要求1所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:所述电能表的故障数据包括:故障电流、故障电压、故障功率。
3.根据权利要求1所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:
对所述采集的故障数据进行预处理,其数据清洗的具体步骤包括:
获得采集模块的每个采集时间节点以及在每个采集时间节点所采集的电能表的故障数据;
检测是否存在数值相等的故障数据,若不存在,则无需对数据进行删除处理,若存在,则将重复且多余的故障数据进行删除。
4.根据权利要求1所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:对所述采集的故障数据进行预处理,其数据异常值处理的具体步骤包括:
统计所有采集时间节点对应的电能表故障数据,并将其求和取均值,并将每个采集时间节点所对应的电能表故障数据与均值进行比较,获得比较差值,将不在预设阈值范围内的比较差值所对应的电能表故障数据进行删除。
5.根据权利要求1所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:对所述采集的故障数据进行预处理,其归一化处理的具体步骤包括:
将所有采集时间节点对应的电能表的故障数据进行排列标记,将标记后获得的点数据代入归一化公式获得更新后的点数据xip,其中,xi为排列标记后的故障电流,xip为xi更新后的点数据,ximin为点数据中的最小值,ximax为点数据中的最大值。
6.根据权利要求1所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:对所述预处理后的电能表的故障数据采用t检验法进行合格检测,通过公式:获得两组数据的t统计量;
预设t统计量的阈值为TI;
若t≥TI,则说明两组数据之间的差异性显著,预处理后的电能表的故障数据不合格,对其进行反复预处理,直到合格为止;
若t<TI,则说明两组数据之间的差异性不显著,预处理后的电能表的故障数据合格。
7.一种基于电力大数据电力设备故障数据处理***,该***实现如权利要求1-6任一项所述的一种基于电力大数据电力设备故障数据处理方法,其特征在于:该***包括:
采集模块用于实时采集电能表的故障数据;
数据预处理模块用于对采集的故障数据进行预处理;
数据验证模块用于对预处理后的故障数据采用t检验法进行差异性检测,判定故障数据是否合格,并对检测不合格的电能表的故障数据反复进行预处理;
计算模块,所述计算模块包括第一计算单元和第二计算单元;
所述第一计算单元用于基于预处理后的电能表的故障数据构建故障数据折线,基于故障数据折线计算电能表的故障表征系数;
将所有采集时间节点对应的故障电流,故障电压以及故障功率数据分别在多个X-Y轴坐标系内进行标记,并将标记后的点进行直线连接,获得各故障数据折线,获取电能表正常运行状态的电流、电压、功率数据,并将其标记为正常运行状态数据,以电能表正常运行状态的电流、电压、功率数据为基准值作基准线,将各数据折线分别与基准线进行端点连接,计算各数据折线与基准线之间所围成的面积,并将各数据折线与基准线所围成的面积进行求和,获得数据折线与基准线之间所围成的总面积,计算基准线与X轴围成的面积,将数据折线与基准线之间所围成的总面积和基准线与X轴之间所围成的面积进行比值处理,得到数据折线与基准线之间所围成的总面积比,并将其标记为ai;
统计故障数据中包含的具体故障数据的数量以及统计电能表正常运行状态数据的数量,将故障数据中包含的具体故障数据的数量与正常运行状态数据的数量进行比值处理,得到故障数据中包含的具体故障数据的数量比,并将其标记为bi;
通过公式:获得电能表的故障表征系数ci,其中/>为预设比例系数;
所述第二计算单元用于基于电能表的故障数据计算电能表的原始故障表征系数,并根据获得的电能表的原始故障表征系数与电能表的故障表征系数计算电能表的故障表征差值,所述第二计算单元还用于基于获得的电能表的故障表征差值与两组数据的t统计量,计算数据偏差对电能表故障表征系数的影响值,其中,影响值=电能表的故障表征差值/两组数据的t统计量;
判定模块,所述判定模块包括第一判定模块和第二判定模块;
所述第一判定模块用于基于获得的电能表的故障表征系数与电能表的故障表征系数阈值进行比较,对电能表故障的异常程度进行判定;
预设电能表的故障表征系数阈值为di;
若ci≥di,则说明电能表故障的异常程度高;
若ci<di,则说明电能表故障的异常程度低;
所述第二判定模块用于根据获得的影响值与预设影响阈值进行比较,分析数据偏差对电能表故障程度判定的影响程度;
将获得的影响值标记为ji,预设影响阈值为ki;
若ji<ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度低;
若ji≥ki,则说明经过预处理导致的数据偏差对电能表故障的影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430427.9A CN118035924B (zh) | 2024-04-11 | 一种基于电力大数据电力设备故障数据处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430427.9A CN118035924B (zh) | 2024-04-11 | 一种基于电力大数据电力设备故障数据处理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118035924A CN118035924A (zh) | 2024-05-14 |
CN118035924B true CN118035924B (zh) | 2024-06-21 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106289363A (zh) * | 2016-08-01 | 2017-01-04 | 长沙理工大学 | 一种干扰环境传感器故障判断标记方法 |
CN107729185A (zh) * | 2017-10-26 | 2018-02-23 | 新华三技术有限公司 | 一种故障处理方法及装置 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106289363A (zh) * | 2016-08-01 | 2017-01-04 | 长沙理工大学 | 一种干扰环境传感器故障判断标记方法 |
CN107729185A (zh) * | 2017-10-26 | 2018-02-23 | 新华三技术有限公司 | 一种故障处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034244B (zh) | 基于电量曲线特征模型的线损异常诊断方法及装置 | |
CN111144435B (zh) | 基于lof和验证过滤框架的电能量异常数据监测方法 | |
CN107121639B (zh) | 一种多维参数直流***蓄电池管理方法及装置 | |
CN110780261B (zh) | 一种电量采集数据核对方法及*** | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN110941648A (zh) | 基于聚类分析的异常数据识别方法、***和存储介质 | |
CN111579121A (zh) | 基于大数据在线诊断新能源汽车电池包内温度故障的方法 | |
CN116775731A (zh) | 基于滑动窗口的三相电能表错接线追退电量的计算方法 | |
CN112539810A (zh) | 一种智能水表运行误差校准方法 | |
CN109559019A (zh) | 一种基于风险指数的电力***动态安全评估方法 | |
CN118035924B (zh) | 一种基于电力大数据电力设备故障数据处理方法和*** | |
CN117708735A (zh) | 一种基于多点校核的量测数据拟合方法、介质及*** | |
CN103529337A (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN118035924A (zh) | 一种基于电力大数据电力设备故障数据处理方法和*** | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
Jiao et al. | An on-line anomaly identifying method for calibration devices in an automatic verification system for electricity smart meters | |
Wei et al. | Online distribution system topology monitoring with limited smart meter communication | |
CN116307838A (zh) | 一种电网可靠性评估中配电网精确等值方法及***、介质 | |
CN116400249A (zh) | 储能电池的检测方法及装置 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
CN112526246B (zh) | 风力发电机组的超级电容工况检测方法和装置 | |
CN113376564A (zh) | 基于数据分析的智能电表计量校正方法、装置及终端 | |
Do Coutto Filho et al. | Critical measuring units for state estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |