一种基于多元数据分析的电力数据智能监测系统及方法与流程

摘要: 本发明涉及电力数据智能监测,具体是一种基于多元数据分析的电力数据智能监测系统及方法。背景技术:1、随着智能电网建设的不断发展,对电力设备安全稳定运行的要求越来越...
一种基于多元数据分析的电力数据智能监测系统及方法与流程

本发明涉及电力数据智能监测,具体是一种基于多元数据分析的电力数据智能监测系统及方法。

背景技术:

1、随着智能电网建设的不断发展,对电力设备安全稳定运行的要求越来越高。精准评估电力设备的运行状态,对保障电力系统安全、可靠、经济地运行具有重要意义。

2、目前,电力系统中数据的挖掘与分析仍处于仅对电流越限、温度超标等单维度显性阈值特征做孤立分析的单一类别分析状态,未将多类别数据联合起来分析,导致大量处于故障萌芽阶段的关键关联信息无法通过数据分析与挖掘得出,同时单维度阈值特征存在不同故障告警特征高度重叠的同质化干扰问题,以及在对电力数据进行分析时,未考虑到分析样本的局部分布密度差异,导致罕见故障的异常误判,以及常见故障的错误判别,从而降低了电力数据的相似分析精度。

技术实现思路

1、本发明的目的在于提供一种基于多元数据分析的电力数据智能监测系统及方法,以解决现有技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于多元数据分析的电力数据智能监测方法,其特征在于:所述方法包括:

3、s10:基于电力设备的历史调度运行数据,获取电力设备在不同故障状态下的紧急调控事件,并构建故障类型与紧急调控动作之间的多对多结构化映射表;

4、s20:基于各类紧急调控动作对应的动作时间窗口的前沿滑动时间窗口,调取电力设备对应的所有历史基础运行数据段集合,以确定各类紧急调控动作对应的故障样本;

5、s30:基于故障样本的时序演化情况和指标耦合情况分析各故障样本对应的故障特征指纹,并将故障特征指纹与故障样本对应的紧急调控动作进行匹配,根据匹配结果对故障类型与紧急调控动作之间的多对多结构化映射表进行冷启动补全处理;

6、s40:根据每一监测区间内监测到的基础运行数据时序,对电力设备在每一监测区间的故障特征指纹进行确定,并对确定的故障特征指纹进行相似度分析;

7、s50:基于多对多结构化映射表生成电力设备锁定的实时故障标识对应的紧急调控动作序列,通过紧急调控动作时序实时对电力设备执行对应的故障维护与联动调控处理。

8、进一步的,所述s10包括:

9、s101:获取电力设备的历史调度运行数据,所述调度运行数据包括电力设备基础运行数据、调度控制数据、故障事件台账数据和外部关联数据,将调度控制数据与故障事件台账数据按照时间序列对齐,确定电力设备在不同状态下的紧急调控事件,所述紧急调控事件指电力设备在发生故障时刻起,至故障处置闭环完成的全周期内,自动调度系统或调度人员下发调度控制指令、指令传输、设备响应的完整时序过程记录;

10、s102:基于电力设备的故障类型,对确定的紧急调控事件进行分类处理,得到若干个紧急调控事件子集,并将每一类故障类型与对应的紧急调控事件子集进行一一绑定匹配;

11、s103:遍历与各故障类型匹配的紧急调控事件子集,提取紧急调控事件子集中各紧急调控事件对应的全链路紧急调控动作序列,依次选取一类故障类型,同步遍历在与当前选取的故障类型匹配的紧急调控事件子集中,各紧急调控事件对应的全周期时间窗口内监测到的外部关联数据中的相邻设备联动运行数据,提取跨设备联动紧急调控动作序列;

12、归集选取的故障类型对应的全链路紧急调控动作序列和跨设备联动紧急调控动作序列,得到目标动作序列,对目标动作序列进行相关处理,基于处理结果构建故障类型与紧急调控动作之间的多对多结构化映射表。

13、进一步的,所述对目标动作序列进行相关处理的具体方法为:对目标动作序列中的重复紧急调控动作执行去重处理,去重判定依据为紧急调控动作标识字符串完全匹配,计算去重处理后的目标动作序列中各紧急调控动作的历史执行总次数与选取故障类型匹配的紧急调控事件子集中存储的紧急调控事件总数之间的比值,将比值低于设定阈值的紧急调控动作执行删除处理,之后,将选取故障类型对应的故障标识,与执行去重、删除处理的目标动作序列中存储的所有紧急调控动作标识进行结构化字段关联表示,遍历所有已分类的故障类型,构建故障类型与紧急调控动作之间的多对多结构化映射表。

14、进一步的,所述s20包括:

15、s201:在故障类型与紧急调控动作之间的多对多结构化映射表中,遍历所有紧急调控动作,基于各紧急调控动作对应的动作时间窗口集合,调取每一动作时间窗口集合中存储的各动作时间窗口对应的前沿滑动时间窗口内的历史基础运行数据段集合,得到若干个历史基础运行数据段集合;

16、s202:将紧急调控动作与基于紧急调控动作获取的所有历史基础运行数据段集合进行绑定,并将绑定的所有历史基础运行数据段集合构成的样本集标记为紧急调控动作的故障样本,所述基础运行数据包括电流谐波畸变率、电压微降斜率和局部放电脉冲计数,其中,电流谐波畸变率为核心主指标,电压微降斜率和局部放电脉冲计数为辅助指标。

17、设电流谐波畸变率、电压微降斜率、局部放电脉冲计数这三个指标分别对应于编号1、2、3,基于前沿滑动时间窗口的左端点向左滑动时长,根据时长的滑动窗口对应的历史基础运行数据段集合,该时长的滑动窗口完全处于电力设备故障发生前的正常稳态工况区间内,计算得到电流谐波畸变率、电压微降斜率、局部放电脉冲计数分别对应的滑动算术平均值、、,以及标准差、、,根据对编号为i的指标对应的正常运行基准阈值进行计算,其中,表示各指标对应的编号,表示编号为i的指标对应的置信系数,取值范围为,表示编号为i的指标对应的正常运行基准阈值,具体的,当和时,取值为30s,当时,取值为60s,在时长的滑动窗口内采集的基础运行数据处于电力设备的正常工况下,电力设备的绝缘劣化早期,局部放电脉冲属于低频次稀疏事件,因此可通过60s滑动窗口可充分捕捉零星的放电脉冲,避免漏检早期微弱绝缘异常,进而保证故障特征的识别灵敏度。

18、进一步的,所述动作时间窗口指以紧急调控动作的触发时刻为起点,紧急调控动作的执行结束时刻为终点的连续时间区间,动作时间窗口为,所述前沿滑动时间窗口指从隐性特征起始点对应的时间戳到紧急调控动作触发时刻的连续时间区间,前沿滑动时间窗口为,所述隐性特征起始点指电力设备的基础运行数据中单个核心主指标首次连续3个采样点超过正常运行基准阈值或2个辅助指标同时首次连续3个采样点超过正常运行基准阈值的时间戳,在前沿滑动时间窗口内可完整截取调控动作触发前的全量故障隐性特征与突变特征,克服了常规固定回溯窗口易混入过多正常运行数据的问题,有利于提高对故障特征的识别精度。

19、进一步的,所述s30包括:

20、s301:利用标准化公式对故障样本进行归一化处理,标准化公式为:,其中,表示编号为i的指标对应的历史归一化结果,表示编号为i的指标对应的历史采样值,调取故障样本中每一个经过归一化处理后的历史基础运行数据段集合,获取调取的每一个历史基础运行数据段集合中各指标首次超过正常运行基准阈值的时间戳,以调取的每一个历史基础运行数据段集合对应的前沿滑动时间窗口的隐性特征起始点为锚点,计算每一个历史基础运行数据段集合中各指标的相对越限时序比,得到故障样本的时序演化形态子矩阵b,所述相对越限时序比用于表示获取的时间戳与锚点对应的时间戳之间的差值与前沿滑动时间窗口对应的时间长度的比值,若指标i在前沿滑动时间窗口内未出现首次超过正常运行基准阈值的情况,则指标i对应的相对越限时序比被赋值为1,,其中,n表示故障样本中存储的经过归一化处理后的历史基础运行数据段集合总数,时序演化形态子矩阵矩阵第j列对应于编号为j的历史基础运行数据段集合,,表示编号为n的历史基础运行数据段集合中编号为3的指标的相对越限时序比,时序演化形态子矩阵的第1、2、3行分别对应于编号为1、2、3的指标;

21、s302:按照指标类型对调取的每一个经过归一化处理后的历史基础运行数据段集合进行划分,得到3个关于不同指标的历史基础运行数据时序,利用皮尔逊相关系数计算公式对每一个历史基础运行数据段集合中任意两个历史基础运行数据时序之间的皮尔逊相关系数进行计算,得到故障样本的指标耦合强度子矩阵d,,其中,表示编号为n的历史基础运行数据段集合中编号为2的指标对应的历史基础运行数据时序与编号为3的指标对应的历史基础运行数据时序之间的皮尔逊相关系数,指标耦合强度子矩阵第j列对应于编号为j的历史基础运行数据段集合,,指标耦合强度子矩阵的第1、2、3行分别对应于编号为1的指标与编号为2的指标的耦合关系、编号为1的指标与编号为3的指标的耦合关系、编号为2的指标与编号为3的指标的耦合关系,若参与计算的任意一个历史基础运行数据时序序列全程无波动并导致皮尔逊相关系数计算公式的分母为0,则对应的皮尔逊相关系数被赋值为0;

22、s303:基于特征维度对齐规则,将时序演化形态子矩阵与指标耦合强度子矩阵进行同维度横向拼接,得到故障样本的故障特征指纹,将故障样本的故障特征指纹与故障样本绑定的紧急调控动作进行匹配,并根据匹配结果对故障类型与紧急调控动作之间的多对多结构化映射表执行冷启动补全,冷启动补全后的多对多结构化映射表的最小存储单元为“故障标识↔紧急调控动作标识↔故障特征指纹”,通过相对越限时序比,将不同指标首次越限的先后顺序和故障锚点的时间差占比,全部编码进时序演化形态子矩阵,能够精准记录故障从萌芽到爆发的完整时序演化路径,通过皮尔逊相关系数,将不同指标之间的联动关联强度,全部编码进指标耦合强度子矩阵,能够精准捕捉故障发生时多指标之间的联动耦合规律,由时序演化形态子矩阵和指标耦合强度子矩阵构成的故障特征指纹,为每一类故障生成了独有的故障全特征数字画像,克服了电流越限、温度超标等单维度阈值告警特征的同质化干扰问题,同时,依托故障特征指纹的全维度隐性特征编码能力,有利于对监测时间窗口内采集到的电力设备故障类型完成高精度故障模式识别,尤其适配电力故障样本分布不均、相似故障特征高度重叠的特殊场景。

23、进一步的,所述s40包括:

24、s401:将滑动窗口对应的总时长作为电力设备电力数据的监测区间长度,将通过监测区间内监测到的基础运行数据时序作为待分析样本,计算待分析样本的故障特征指纹,并作为电力设备在监测区间右端点对应的时间戳的实时故障特征指纹,记为故障特征指纹x,待分析样本的故障特征指纹计算方法与故障样本的故障特征指纹计算方法相同;

25、s402:遍历多对多结构化映射表中存储的所有故障特征指纹,将每一个故障特征指纹依次记为故障特征指纹y,分别将故障特征指纹y和故障特征指纹x,按各指标分配的权重由大到小的顺序展平为一维特征向量;

26、s403:对故障特征指纹y和故障特征指纹x之间的两个单向可达距离进行计算,对计算得到的两个单向可达距离取算数平均值,将算数平均值记为,根据公式计算故障特征指纹x与故障特征指纹y之间的相似度,其中,表示以e为底的指数函数且e=2.72,通过计算得到的两个单向可达距离,能够避免仅采用单一方向距离计算带来的数值偏差,进而保证基于两个单向可达距离取算数平均值后得到的相似度不受故障样本局部分布稀疏、故障样本高密度区域过密两类场景的干扰,降低了将边缘稀疏的罕见故障误判为异常点、或将高密度区域内特征相近的不同故障误判为同一类故障的概率。

27、进一步的,所述故障特征指纹y和故障特征指纹x之间的两个单向可达距离的具体计算方法为:

28、对故障特征指纹x与故障特征指纹y之间的欧式距离进行计算,按照数值由小到大的顺序对计算得到的所有欧式距离进行排序,得到故障特征指纹x对应的距离排序序列1;

29、将作为故障特征指纹x到故障特征指纹y的单向可达距离,其中,k表示正整数且k小于多对多结构化映射表能够存储的故障特征指纹总数,表示排序序列1中位于第k位的欧式距离;

30、遍历多对多结构化映射表中除故障特征指纹y之外的所有故障特征指纹,计算故障特征指纹y与遍历的每一个剩余故障特征指纹之间的欧式距离,按照数据由小到大的顺序对计算得到的所有欧式距离进行排序,得到故障特征指纹y对应的距离排序序列2,将作为故障特征指纹y到故障特征指纹x的单向可达距离,表示排序序列2中位于第k位的欧式距离,max表示取最大值符号。

31、进一步的,所述s50包括:

32、s501:遍历多对多结构化映射表中存储的所有故障特征指纹,逐一计算每一次遍历的故障特征指纹与故障特征指纹x的相似度;

33、s502:当所有相似度均小于预设相似阈值时,将故障特征指纹x对应的故障标识标记为新的故障标识,将由新的故障标识、新的故障标识对应的故障特征指纹、空占位紧急调控动作标识构成的映射记录h自动写入多对多结构化映射表中;

34、s503:当存在相似度大于或等于预设相似度阈值时,将相似度最大值对应的故障特征指纹绑定的故障标识作为电力设备的实时故障标识,具体的,当具有多个相同的相似度最大值时,将各相似度最大值对应的故障特征指纹绑定的故障样本累计数量存储至集合g中,若集合g中存在唯一的最大值,则将集合g中存储的最大值对应的故障特征指纹绑定的故障标识作为电力设备的实时故障标识;若集合g中存在多个相同的最大值,则获取集合g中各最大值对应的故障特征指纹所绑定的映射记录的历史更新频次,将更新频次最大值对应的故障特征指纹绑定的故障标识作为电力设备的实时故障标识;

35、调取多对多结构化映射表中与实时故障标识绑定的全部紧急调控动作标识,按照各紧急调控动作标识处置优先级由高到低的顺序,生成紧急调控动作序列,将生成的紧急调控动作时序下发至电力设备的边缘控制器,边缘控制器根据下发内容实时对电力设备执行对应的故障维护与联动调控处理,将多对多结构化映射表中与最终确定的实时故障标识绑定的故障特征指纹对应的故障样本累计数量加1,所述紧急调控动作标识的处置优先级由紧急调控动作绑定的故障特征指纹的故障样本累计总数决定,故障样本累计总数越大,对应的处置优先级越高,当多个紧急调控动作标识所绑定的故障特征指纹的故障样本累计总数完全相等时,紧急调控动作的历史单次执行耗时越短,对应的处置优先级越高。

36、一种基于多元数据分析的电力数据智能监测系统,所述系统包括映射表构建模块、故障样本分析模块、冷启动补全处理模块、相似度分析模块和运维与联动调控模块;

37、所述映射表构建模块用于构建故障类型与紧急调控动作之间的多对多结构化映射表;

38、所述故障样本分析模块用于分析各类紧急调控动作对应的故障样本;

39、所述冷启动补全处理模块用于对故障类型与紧急调控动作之间的多对多结构化映射表进行冷启动补全处理;

40、所述相似度分析模块用于对电力设备在每一监测区间的故障特征指纹进行确定,并对确定的故障特征指纹进行相似度分析;

41、所述运维与联动调控模块用于通过紧急调控动作时序实时对电力设备执行对应的故障维护与联动调控处理。

42、与现有技术相比,本发明的有益效果是:

43、1、本发明通过调度控制数据、故障事件台账数据和外部关联数据初步构建故障类型与紧急调控动作之间的多对多结构化映射表,并根据设备基础运行数据计算生成的故障特征指纹,对初步构建的多对多结构化映射表进行冷启动补全,冷启动补全后的多对多结构化映射表以“故障标识↔紧急调控动作标识↔故障特征指纹”为最小存储单元,表征了多类别数据的联合分析,大幅提高了对电力数据智能监测的监测效率和监测精度。

44、2、本发明通过时序演化形态子矩阵,精准记录故障从萌芽到爆发的完整时序演化路径,通过指标耦合强度子矩阵,精准捕捉故障发生时多指标之间的联动耦合规律,将时序演化形态子矩阵与指标耦合强度子矩阵进行同维度横向拼接得到故障特征指纹,为每一类故障生成了独有的故障全特征数字画像,克服了电流越限、温度超标等单维度阈值告警特征的同质化干扰问题,进一步提高了对电力数据的智能监测精度。

45、3、本发明通过对两个单向可达距离取算数平均值,再根据算数平均值计算故障特征指纹之间的相似度,该相似度不受故障样本局部分布稀疏、故障样本高密度区域过密两类场景的干扰,降低了将边缘稀疏的罕见故障误判为异常点、或将高密度区域内特征相近的不同故障误判为同一类故障的概率,进一步提高了对电力数据的智能监测精度。