基于电力物联网的电网设备管控方法及管控系统与流程

1.本发明属于电网设备安全状态的监控、风险评估技术领域，尤其涉及基于电力物联网的电网设备管控方法及管控系统。


背景技术：

2.随着社会经济的高速发展，科技的进步，电网的规模变得越来越大，全社会对供电可靠性的要求越来越高，所以电网设备的安全维护、风险评估变得越来越重要。数量庞大、新旧不一、功能不同的各种电网设备状态相关信息和基础数据比较分散，各业务系统相互独立，不同的系统其数据格式不一致，数据之间较难共享和兼容，不同系统的数据和信息甚至相互矛盾，难以保证数据的准确性和一致性，不利于各类信息和数据的多维度深度分析和挖掘，不利于信息的快速共享。
3.物联网是指不同人与不同物之间的交互以及不同物之间的信息网络链接。电力物联网，就是围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术、先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。基本实现业务协同和数据贯通，初步实现统一物联管理，各级智慧能源综合服务平台具备基本功能，支撑电网业务与新兴业务发展。
4.目前，随着电网规模的快速发展，全社会对供电可靠性的要求越来越高，状态良好、运行稳定的电网设备是电力物联网的基础。因此，目前急需一种基于电力物联网的安全、智能、运行稳定的电网设备管控方法。


技术实现要素：

5.发明目的：
6.本发明旨在提出基于电力物联网的电网设备管控方法及管控系统；感知层依托智能感知终端对不同电网设备不同类型的数据进行统一的接入和统一的管理，网络层对感知层海量数据进行全面，快速，准确的传输，对电网设备进行精确定位，平台层对信息进行高效处理，调用，准确判断电网设备的运行状态，实时进行检测。应用层支撑各单位、各部门的业务应用需求。
7.技术方案：
8.基于电力物联网的电网设备管控方法，该方法包括如下步骤：
9.步骤1，感知层实时采集电网设备的历史/准实时和电网空间数据；对数据进行预处理，判断设备发生故障的概率，并基于数据形成故障诊断的特征库；
10.步骤2，网络层对感知层电网设备海量数据和预处理数据进行传输，对电网设备进行精确定位；
11.步骤3，平台层对网络层传输过来的数据进行综合分析及判断，从故障诊断的特征库提取设备特征值，进行离散化处理，生成断线故障诊断条件特征与结果特征间的强关联规则，进行故障诊断；
12.步骤4，应用层对电力检修部门提供设备的故障信息和精确的定位。
13.进一步的，感知层采集处理数据具体包括：智能管理终端采集电网设备历史/准实时的数据并对数据进行预处理，基于天气情况判断设备发生故障的概率；建立统一的电网设备事故概率模型并形成故障诊断的特征库。
14.进一步的，电网设备事故概率模型具体包括：λ
a
、λ
b
、λ
c
分别为在正常天气、恶劣天气、极端天气下设备元件的年故障率，根据以下公式计算：
15.λ
a
＝λ
avg
(1-f
n
)/p
a
ꢀꢀꢀ
(1)
16.λ
b
＝λ
avg
(1-f
m
)/p
b
ꢀꢀꢀ
(2)
17.λ
c
＝λ
avg
(1-f
m
)/p
c
ꢀꢀꢀ
(3)
18.式中：λ
avg
是基于历史数据统计的元件年平均故障率，p
a
、p
b
、p
c
分别为基于历史统计数据的正常天气、恶劣天气以及极端天气出现的稳态概率；f
n
是故障发生在坏天气恶劣，极端情况下的比例；f
m
坏天气情况中属于极端天气的比例；
19.当所考虑的元件仅运行于“正常”或“停运”2种运行状态时，在所考虑的预测时间段δt内，元件受天气影响发生停运事件的次数近似服从泊松分布，因此，t0时刻处于正常运行的元件，在t0 δt时刻发生停运的概率可以近似表达为：
[0020][0021]
式中：λ1为通过短期天气预报和式(1)(2)(3)得到的元件年故障率；δt可根据现场实际数据的更新时间间隔或实际需要进行选取；
[0022]
在t0 δt时刻某一预想事故发生的概率用下式计算：
[0023][0024]
式中：a为预想事故下的系统状态；d、u分别为该系统状态下故障元件集合和正常元件集合。
[0025]
进一步的，步骤2中的对电网设备进行精确定位是通过网络层通讯传输网络；通讯传输网络通过开展大容量骨干光传输网、中低压高速电力线载波、电力无线专网、低功耗广域网、光电复合缆、5g网络切片、北斗通信卫星等混合组网技术研究与应用，建成一体化通信网络。
[0026]
进一步的，步骤3中平台层的具体包括：基于感知层建立的故障诊断特征库，进行基于mrmr算法的主要特征选，通过fp-growth算法进一步挖掘故障诊断主要条件特征与结果特征之间的关联规则，从而建立起故障诊断的规则库，进行故障诊断；
[0027]
(1)mrmr算法；
[0028]
mrmr算法使用互信息度量特征间的相关性；设存在两个特征x与y，p(x)、p(y)分别为特征x、特征y的概率密度函数，p(x，y)为这两个特征的联合概率，则两者之间的互信息定义i(x，y)为：
[0029][0030]
mrmr算法的目标是找出包含m{x
i
}个特征的特征子集s，使得故障诊断条件特征与结果特征之间的相关性最大，条件特征间的冗余度最小，即
[0031][0032][0033]
式中：x
i
为第i个条件特征，x
j
为第j个条件特征，；c为结果特征；s为特征子集；|s|为特征子集维数；d(s，c)为s与c之间的相关性；r(s)为条件特征间的冗余度；
[0034]
以统筹考虑最大相关性与最小冗余度作为特征选择的标准；
[0035]
maxφ(d，r)，φ＝d-r
ꢀꢀꢀ
(9)
[0036]
在此特征选择标准的基础上，采用增量搜索的方式，寻找近似最优特征；假设已有特征集s
m-1
，从剩余的特征x-s
m-1
中找出第m个特征，满足下列条件使φ最大；
[0037][0038]
(2)fp-growth算法；
[0039]
该算法以频繁模式树，这种紧凑的结构来组织数据，从中提取频繁项集，对数据集进行关联规则挖掘，基本步骤如下：
[0040]
1)构造fp-tree；
[0041]
故障数据集进行第一遍扫描，该数据集中每条事务代表一条电网历史运行记录，该记录由故障诊断主要特征与对应的结果特征构成；统计其中所有单个元素出现的频数，去除出现频数小于设定的最小支持度的元素剩下的元素形成了1-频繁项集；
[0042]
第二遍扫描数据集，对于数据集中的每条事务，将其元素按照支持度的降序排列，开始构建fp-tree；fp-tree根节点为空；每条事务，其所有元素构成一条由根节点到叶节点的路径；按支持度的降序排列后前n个元素相同的几条事务就共享前n个节点；fp-tree中各节点的计数为经过该节点的事务条数；
[0043]
2)fp-growth挖掘；
[0044]
采用自底向上迭代的方式挖掘fp-tree；对每个频繁项，以该频繁项的条件模式基为新数据集，去除不满足最小支持度的项，剩余的项形成一棵新的条件fp-tree；由此不断循环，挖掘频繁模式，得到所有k-频繁项集；
[0045]
故障诊断只需要得到条件特征与结果特征间的关联规则，条件特征间的关联规则对于故障诊断是无用的信息，根据这一情况，得到每个条件模式基后，先进行判断，如果条件模式基中包含结果特征，则继续生成条件fp-tree，如果条件模式基中仅包含条件特征，则不再生成条件fp-tree，转而挖掘下一个频繁模式基；
[0046]
3)故障诊断；
[0047]
在fp-growth算法挖掘得到频繁项集的基础上，故障诊断条件特征与结果特征间的强关联规则；在fp-tree的构建与挖掘过程中，已经考虑了最小支持度，再达到最小置信度要求认为是强关联规则；对挖掘出的强关联规则进一步筛选，只保留以故障类型为后项的强关联规则，并去除冗余规则，得到故障诊断规则库；
[0048]
进行故障诊断时，将待诊断的条件特征与规则库中各条规则的条件特征相匹配，如果没有匹配的规则，则判定没有发生故障，如果匹配到了规则库中的某条规则，找出与之
对应的结果特征，得到故障诊断结果，该规则的置信度即为该诊断结果的置信度；
[0049]
4)故障定位；
[0050]
挖掘出的强关联规则除了用于故障诊断，还能够进一步用于故障定位，根据规则内容推断出故障位置；如果经诊断发生了故障，则根据匹配到的关联规则中的条件特征，推断出故障发生的地点，智能化地确定故障区域。
[0051]
基于电力物联网的电网设备管控系统，电网设备管控系统包括感知单元、网络单元、平台单元、应用单元；
[0052]
感知单元，用于实时采集电网设备的历史/准实时和电网空间数据；并对数据进行预处理，判断设备发生故障的概率，并基于数据形成故障诊断的特征库；
[0053]
网络单元，用于对感知单元的电网设备海量数据和预处理数据进行传输，对电网设备进行精确定位；
[0054]
平台单元，用于对网络单元传输过来的数据进行综合分析及判断，从故障诊断的特征库提取设备特征值，进行离散化处理，生成断线故障诊断条件特征与结果特征间的强关联规则，进行故障诊断；
[0055]
应用单元，用于对电力检修部门提供设备的故障信息和精确的定位。
[0056]
进一步的，感知单元的采集、处理数据具体包括：智能管理终端采集电网设备历史/准实时的数据并对数据进行预处理，基于天气情况判断设备发生故障的概率；建立统一的电网设备事故概率数据模型并形成故障诊断的特征库。
[0057]
进一步的，对电网设备进行精确定位是通过网络单元的通讯传输网络；通讯传输网络通过开展大容量骨干光传输网、中低压高速电力线载波、电力无线专网、低功耗广域网、光电复合缆、5g网络切片、北斗通信卫星混合组网技术研究与应用，建成一体化通信网络。
[0058]
进一步的，平台单元是基于感知单元建立的故障诊断特征库，进行基于mrmr算法的主要特征选，通过fp-growth算法进一步挖掘故障诊断主要条件特征与结果特征之间的关联规则，从而建立起故障诊断的规则库，进行故障诊断。
[0059]
优点及效果：
[0060]
本发明具有以下优点和有益效果：
[0061]
基于电力物联网条件下，感知层对电网设备情况进行全面的实时感知、数据信息高效处理、存储，通过网络层5g和北斗通信卫星的通信网络快速，精确的传输到平台层。平台层实时查看管辖范围内的电网设备的二维/三维图像、设备运行情况浏览、全面了解电网设备的相关信息和环境情况，对电网设备进行实时状态评估和准确预测，实现可视化、智能化、实时性的管控。应用层为电力用户、电力行业、政府提供增值服务。应用层的目的是在保证电网运行安全稳定的基础上，建设智慧综合能源互联网。
[0062]
本发明充分利用了感知层的智能终端可以实现感知环节的多参数一体化采集和预处理的功能，网络层5g和北斗通信卫星的快速传输和精确定位的功能，平台层数据的高效处理对电网设备实现可视化、智能化、实时性的。
附图说明
[0063]
图1电力物联网框架图；
[0064]
图2智能感知终端设计图；
[0065]
图3故障诊断算法流程图。
具体实施方式
[0066]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0067]
感知层依托智能感知终端对不同电网设备不同类型的数据进行统一的接入和统一的管理，网络层对感知层海量数据进行全面，快速，准确的传输，对电网设备进行精确定位，平台层对信息进行高效处理，调用，准确判断电网设备的运行状态，实时进行检测。应用层支撑各单位、各部门的业务应用需求。电力物联网框架图如图1所示。
[0068]
如图1所示，感知层实时采集电网设备监测状态、生产管理、运行调度、环境气象、预警信息、地理信息等历史/准实时和电网空间数据，对这些数据进行预处理和存储。网络层通过开展大容量骨干光传输网、中低压高速电力线载波、电力无线专网、低功耗广域网、光电复合缆、5g网络切片、北斗通信卫星等混合组网技术研究与应用，满足电力传统业务和新兴业务的接入需求，建成“高带宽、低时延、广覆盖、大连接”的一体化通信网络，对电网设备海量数据进行全面，快速，准确的传输，对电网设备进行精确定位，实现数据以及通信设备共享功能。平台层对电网设备预处理数据进行高效处理，进行综合分析及判断，实现设备数据“源端唯一、全局共享”。
[0069]
基于电力物联网的电网设备管控方法，该方法包括如下步骤：
[0070]
步骤1，感知层实时采集电网设备的历史/准实时和电网空间数据；对数据进行预处理，判断设备发生故障的概率，并基于数据形成故障诊断的特征库。
[0071]
电网设备的历史/准实时数据包括电网设备监测状态、生产管理、运行调度、环境气象、预警信息、地理信息等历史/准实时数据。
[0072]
步骤2，网络层对感知层电网设备海量数据和预处理数据进行全面，快速，准确的传输，对电网设备进行精确定位；实现数据以及通信设备共享功能。
[0073]
步骤3，平台层对网络层传输过来的数据进行综合分析及判断，从故障诊断的特征库提取设备特征值，进行离散化处理，生成断线故障诊断条件特征与结果特征间的强关联规则，进行故障诊断。
[0074]
步骤4，应用层对电力检修部门提供设备的故障信息和精确的定位，利于快速的处理故障；支撑各单位、各部门的业务应用需求。
[0075]
感知层采集处理数据具体包括：
[0076]
智能管理终端采集电网设备历史/准实时的数据并对数据进行预处理，基于天气情况判断设备发生故障的概率；建立统一的电网设备事故概率模型并形成故障诊断的特征库。
[0077]
电网设备事故概率模型具体包括：
[0078]
λ
a
、λ
b
、λ
c
分别为在正常天气、恶劣天气、极端天气下设备元件的年故障率，根据以下公式计算：
[0079]
λ
a
＝λ
avg
(1-f
n
)/p
a
ꢀꢀꢀ
(1)
[0080]
λ
b
＝λ
avg
(1-f
m
)/p
b
ꢀꢀꢀ
(2)
[0081]
λ
c
＝λ
avg
(1-f
m
)/p
c
ꢀꢀꢀ
(3)
[0082]
式中：λ
avg
是基于历史数据统计的元件年平均故障率，p
a
、p
b
、p
c
分别为基于历史统计数据的正常天气、恶劣天气以及极端天气出现的稳态概率；f
n
是故障发生在坏天气恶劣，极端情况下的比例；f
m
坏天气情况中属于极端天气的比例；
[0083]
当所考虑的元件仅运行于“正常”或“停运”2种运行状态时，在所考虑的预测时间段δt内，元件受天气影响发生停运事件的次数近似服从泊松分布，因此，t0时刻处于正常运行的元件，在t0 δt时刻发生停运的概率可以近似表迗为：
[0084][0085]
式中：λ1为通过短期天气预报和式(1)(2)(3)得到的元件年故障率；δt可根据现场实际数据的更新时间间隔或实际需要进行选取，如10min、15min或1h。
[0086]
因此，在t0 δt时刻某一预想事故发生的概率用下式计算：
[0087][0088]
式中：a为预想事故下的系统状态；d、u分别为该系统状态下故障元件集合和正常元件集合。
[0089]
智能感知终端设计图如图2所示。智能管理终端遵循sg-cim4.0模型设计理念，建立统一的数据模型，实现感知层接入数据的标准化，多模态网络接入，实现感知对象的统一接入和数据统一管理。智能管理终端由多个模组及单元组成，各模组及单元之间通过高速总线传输数据，保障数据传输的有效性。计量芯模块承担计量相关工作，实现数据采集与处理并能大量存储数据；管理芯模块负责各项管理功能，包括显示、蓝牙交互、控制等功能，并且上传数据；上行通信模块负责同多功能传感终端进行交互，可以支持hplc或双模(hplc 微功率无线)通信。智能管理终端拥有液晶屏，实现显示功能，能够方便运维人员查询设备数据，实时图像。满足电力物联网中人机交互的发展需求。
[0090]
步骤2中的对电网设备进行精确定位是通过网络层通讯传输网络；
[0091]
通讯传输网络通过开展大容量骨干光传输网、中低压高速电力线载波、电力无线专网、低功耗广域网、光电复合缆、5g网络切片、北斗通信卫星等混合组网技术研究与应用，满足电力传统业务和新兴业务的接入需求，建成“高带宽、低时延、广覆盖、大连接”的一体化通信网络，对电网设备海量数据进行全面，快速，准确的传输，对电网设备进行精确定位，实现数据以及通信设备共享功能。
[0092]
步骤3中平台层的具体包括：
[0093]
基于感知层建立的故障诊断特征库，进行基于mrmr算法的主要特征选，通过fp-growth算法进一步挖掘故障诊断主要条件特征与结果特征之间的关联规则，从而建立起故障诊断的规则库，进行故障诊断；
[0094]
(1)mrmr算法；
[0095]
mrmr算法的核心思想是最大化条件特征和结果特征间的相关性，同时最小化条件特征间的相关性。其具有较快的运算速度，符合故障诊断对于诊断速度的需求。
[0096]
mrmr算法使用互信息度量特征间的相关性；设存在两个特征x与y，p(x)、p(y)分别为特征x、特征y的概率密度函数，p(x，y)为这两个特征的联合概率，则两者之间的互信息定
义i(x，y)为：
[0097][0098]
mrmr算法的目标是找出包含m{x
i
}个特征的特征子集s，使得故障诊断条件特征与结果特征之间的相关性最大，条件特征间的冗余度最小，即
[0099][0100][0101]
式中：x
i
为第i个条件特征；x
j
为第j个条件特征；c为结果特征；s为特征子集；|s|为特征子集维数；d(s，c)为s与c之间的相关性；r(s)为条件特征间的冗余度。
[0102]
以统筹考虑最大相关性与最小冗余度作为特征选择的标准。
[0103]
maxφ(d，r)，φ＝d-r
ꢀꢀꢀ
(9)
[0104]
在此特征选择标准的基础上，采用增量搜索的方式，寻找近似最优特征；假设已有特征集s
m-1
，从剩余的特征x-s
m-1
中找出第m个特征，满足下列条件使φ最大；
[0105][0106]
(2)fp-growth算法；
[0107]
该算法以频繁模式树，这种紧凑的结构来组织数据，从中提取频繁项集，对数据集进行关联规则挖掘，基本步骤如下：
[0108]
1)构造fp-tree；
[0109]
故障数据集进行第一遍扫描，该数据集中每条事务代表一条电网历史运行记录，该记录由故障诊断主要特征与对应的结果特征构成；统计其中所有单个元素出现的频数，去除出现频数小于设定的最小支持度的元素剩下的元素形成了1-频繁项集。
[0110]
第二遍扫描数据集，对于数据集中的每条事务，将其元素按照支持度的降序排列，开始构建fp-tree；fp-tree根节点为空；每条事务，其所有元素构成一条由根节点到叶节点的路径；按支持度的降序排列后前n个元素相同的几条事务就共享前n个节点；fp-tree中各节点的计数为经过该节点的事务条数。
[0111]
2)fp-growth挖掘；
[0112]
采用自底向上迭代的方式挖掘fp-tree；对每个频繁项，以该频繁项的条件模式基为新数据集，去除不满足最小支持度的项，剩余的项形成一棵新的条件fp-tree；由此不断循环，挖掘频繁模式，得到所有k-频繁项集；
[0113]
故障诊断只需要得到条件特征与结果特征间的关联规则，条件特征间的关联规则对于故障诊断是无用的信息，根据这一情况，得到每个条件模式基后，先进行判断，如果条件模式基中包含结果特征，则继续生成条件fp-tree，如果条件模式基中仅包含条件特征，则不再生成条件fp-tree，转而挖掘下一个频繁模式基；由此可以提前过滤掉无用规则，减少不必要的扫描次数，进一步提高了算法效率。
[0114]
3)故障诊断；
[0115]
在fp-growth算法挖掘得到频繁项集的基础上，故障诊断条件特征与结果特征间的强关联规则；在fp-tree的构建与挖掘过程中，已经考虑了最小支持度，再达到最小置信度要求即可认为是强关联规则。对挖掘出的强关联规则进一步筛选，只保留以故障类型为后项的强关联规则，并去除冗余规则，得到故障诊断规则库。
[0116]
进行故障诊断时，将待诊断的条件特征与规则库中各条规则的条件特征相匹配，如果没有匹配的规则，则判定没有发生故障，如果匹配到了规则库中的某条规则，找出与之对应的结果特征，得到故障诊断结果，该规则的置信度即为该诊断结果的置信度。
[0117]
4)故障定位；
[0118]
挖掘出的强关联规则除了用于故障诊断，还能够进一步用于故障定位，根据规则内容推断出故障位置；如果经诊断发生了故障，则根据匹配到的关联规则中的条件特征，推断出故障发生的地点，智能化地确定故障区域；具体算法流程如图3所示。
[0119]
如图3所示，首先建立设备故障诊断主要特征库，进一步挖掘故障诊断主要条件特征与结果特征之间的关联规则，建立起故障诊断的规为提升故障诊断速度，以频繁模式树结构来组织数据，通过两次数据集扫描提取出频繁项集，提高关联规则挖掘效率.进行故障诊断时，将待诊断的条件特征与规则库中各条规则的条件特征相匹配，如果没有匹配的规则，则判定没有发生故障，如果匹配到了规则库中的某条规则，找出与之对应的结果特征，得到故障诊断结果，该规则的置信度即为该诊断结果的置信度。挖掘出的强关联规则除了用于故障诊断，也可以进一步用于故障定位，根据规则内容推断出故障位置。如果经诊断发生了故障，则根据匹配到的关联规则中的条件特征，推断出故障发生的地点，智能化地确定故障区域。
[0120]
基于电力物联网的电网设备管控系统，电网设备管控系统包括感知单元、网络单元、平台单元、应用单元；
[0121]
感知单元，用于实时采集电网设备的历史/准实时和电网空间数据；并对数据进行预处理，判断设备发生故障的概率，并基于数据形成故障诊断的特征库；
[0122]
网络单元，用于对感知单元的电网设备海量数据和预处理数据进行传输，对电网设备进行精确定位；
[0123]
平台单元，用于对网络单元传输过来的数据进行综合分析及判断，从故障诊断的特征库提取设备特征值，进行离散化处理，生成断线故障诊断条件特征与结果特征间的强关联规则，进行故障诊断；
[0124]
应用单元，用于对电力检修部门提供设备的故障信息和精确的定位。
[0125]
感知单元的采集、处理数据具体包括：
[0126]
智能管理终端采集电网设备历史/准实时的数据并对数据进行预处理，基于天气情况判断设备发生故障的概率；建立统一的电网设备事故概率数据模型并形成故障诊断的特征库。
[0127]
对电网设备进行精确定位是通过网络单元的通讯传输网络；
[0128]
通讯传输网络通过开展大容量骨干光传输网、中低压高速电力线载波、电力无线专网、低功耗广域网、光电复合缆、5g网络切片、北斗通信卫星混合组网技术研究与应用，建成一体化通信网络。
[0129]
平台单元是基于感知单元建立的故障诊断特征库，进行基于mrmr算法的主要特征选，通过fp-growth算法进一步挖掘故障诊断主要条件特征与结果特征之间的关联规则，从而建立起故障诊断的规则库，进行故障诊断。
[0130]
平台层根据检查出设备的周围环境和设备的工作特性，判断该设备发生故障的概率，供设备管理部门对设备进行管理。假如电网设备发生故障，平台层根据发生的具体故障判断哪个地区哪种设备可能发生故障，通过网络层的快速传播和精准定位，检查这些可能发生故障的设备，最终检查出发生故障的地点和设备，方便检修部门快速准确的解决故障。
[0131]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。