基于大数据的智能变电站光纤故障预测方法及系统与流程

1.本发明涉及电力系统技术领域，具体涉及一种基于大数据的智能变电站光纤故障预测方法及系统。


背景技术：

2.随着智能变电站的大规模应用，变电站内的一二次设备间的大量信息采用光纤的方式进行传输，简化了二次回路，提高了系统可靠性。光纤通过玻璃纤维传导光信号，玻璃纤维对运行工况要求较高，灰尘污染、过度弯折、插拔不当均可造成光强下降，链路中断。本研究的系统汇集全站智能电子设备光强信息，通过大数据处理，对光口工况进行智能分析，实现智能变电站各ied故障预测和故障定位。
3.现有的光纤运行工况评价方式需要退出正在运行的继电保护装置，仅在停电定检工作中分析光功率灵敏度是否在规范要求的区间内。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于大数据的智能变电站光纤故障预测方法及系统，利用大数据对光功率信息进行横向、纵向比对分析，预设合理阈值，研判设备劣化趋势，实现故障预测及定位。
5.为实现上述目的，本发明采用如下技术方案：一种基于大数据的智能变电站光纤故障预测方法，包括以下步骤：步骤s1:获取设备实时运行数据，并基于设备连续运行时长、光功率数值、设备健康数据建立数据向量维度；步骤s2:使用k-means聚类算法自动分类和人工参数调优，建立正常、偏离正常、故障三种设备运行模式集合；步骤s3:将设备实时运行数据代入k-means聚类算法计算当前数据与模式的距离量度从而计算出当前设备与正常、偏离正常、故障模式的相似度。
6.进一步的，所述设备实时运行数据包括iec61850规约数据。
7.进一步的，所述步骤s2中基于历史经验积累人工加入k-means聚类运算的光功率分布距离修正系数， 60~100%区间的修正系数为 0.8, 60%~20%区间的修正系数为0.9，0~20%修正系数为1.2。
8.进一步的，所述k-means算法中中的样本点与模式质心欧式距离度量计算公式原为：其中x
zi
, y
zi 为模式i的质心位置;改用区间系数修正后样本点与模式i距离度量计算公式变为：。
9.进一步的，在系统运行过程中所收集的数据循环积累并更新到数据样本库中，并使用k-means聚类算法重新计算新数据的分类质心数据。
10.进一步的，当设备的iec61850规约数据中包含网络延迟数据项时，将网络延迟数据作为新的数据向量维度参与分析计算。
11.一种基于大数据的智能变电站光纤故障预测系统，包括应用单元、规约单元和硬件单元；所述应用单元包括光功率获取导出模块、光功率导入解析模块、大数据分析模块、设备健康检测模块；所述规约单元采用iec61850规约；所述硬件单元包括tcp、udp网络协议接口以及光纤接口。
12.本发明与现有技术相比具有以下有益效果：1、本发明把设备连续运行时长、光功率数值、网络负载、故障发生情况等数据建立对应的数据向量维度使用k-means聚类算法建立模式集合，从而实现通过设备的日常运行数据对故障的发生概率事先做估评和预警2、本发明无需将继电保护装置退出运行，无需将一次设备停电即可完成故障预测的目的。时间节约率达90%以上。不但极大提高工作效率，而且确保电网可靠安全运行。
附图说明
13.图1是本发明方法流程图；图2是本发明一实施例中分类模式优化更新流程图；图3是本发明一实施例中扩展模式优化分析流程图；图4是本发明一实施例的系统结构示意图；图5是本发明一实施例中k-means聚类分析算法改进前分析效果；图6是本发明一实施例中k-means聚类分析算法改进后分析效果。
具体实施方式
14.下面结合附图及实施例对本发明做进一步说明。
15.请参照图1，本发明提供一种基于大数据的智能变电站光纤故障预测方法，包括以下步骤：步骤s1:获取设备实时运行数据，并基于设备连续运行时长、光功率数值、设备健康数据建立数据向量维度；步骤s2:使用k-means聚类算法自动分类和人工参数调优，建立正常、偏离正常、故障三种设备运行模式集合；步骤s3:将设备实时运行数据代入k-means聚类算法计算当前数据与模式的距离量度从而计算出当前设备与正常、偏离正常、故障模式的相似度。
16.在本实施例中，优选的， 设备投入使用时长0~30天的数据样本不纳入统计计算， 因为0~30天的设备故障多为安装和设备出厂本身带故障，如果纳入自动统计分类模型参与计算，容易出现初投入使用的设备会因为时间相关性高自动识别为“故障”相似度最高；临时光功率极小值数据自动过滤，因为设备会存在偶然人工检修测试，某个光功率实测值为0的情况，该值持续时间较短，而且后续值大于0，该值可以忽略，该值不参与k-means聚类运算，可进一步提高故障预测准确性；
智能变电站光纤故障预测软件先安装在二次设备状态检测主机，导入并解析继电保护装置光功率数据文件，生成软件的基础数据库，分为光功率数据库和人机交互窗口显示等，运行该软件可实现大数据对光功率信息进行横向、纵向比对分析，预设合理阈值，研判设备劣化趋势，实现故障预测及定位，从而实现替代人工光功率评价。
17.在本实施例中，优选的，基于历史经验积累人工加入k-means聚类运算的光功率分布距离修正系数， 60~100%区间的修正系数为 0.8, 60%~20%区间的修正系数为0.9，0~20%修正系数为1.2。参考图5和6，为k-means聚类分析算法改进前和改进后分析效果，k-means算法中中的样本点与模式质心欧式距离度量计算公式原为：其中x
zi
, y
zi 为模式i的质心位置;改用区间系数修正后样本点与模式i距离度量计算公式变为：。
18.在本实施例中，优选的，参考图2，在系统运行过程中所收集的数据循环积累并更新到数据样本库中，并使用k-means聚类算法重新计算新数据的分类质心数据。
19.在本实施例中，优选的，参考图3，当设备的iec61850规约数据中包含网络延迟数据项时，将网络延迟数据作为新的数据向量维度参与分析计算。
20.在本实施例中，还提供一种基于大数据的智能变电站光纤故障预测系统，包括应用单元、规约单元和硬件单元；所述应用单元包括光功率获取导出模块、光功率导入解析模块、大数据分析模块、设备健康检测模块；所述规约单元采用iec61850规约；所述硬件单元包括tcp、udp网络协议接口以及光纤接口。
21.以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。


技术特征：
1.一种基于大数据的智能变电站光纤故障预测方法，其特征在于，包括以下步骤：步骤s1:获取设备实时运行数据，并基于设备连续运行时长、光功率数值、设备健康数据建立数据向量维度；步骤s2:使用k-means聚类算法自动分类和人工参数调优，建立正常、偏离正常、故障三种设备运行模式集合；步骤s3:将设备实时运行数据代入k-means聚类算法计算当前数据与模式的距离量度从而计算出当前设备与正常、偏离正常、故障模式的相似度。2.根据权利要求1所述的基于大数据的智能变电站光纤故障预测方法，其特征在于，所述设备实时运行数据包括iec61850规约数据。3.根据权利要求2所述的基于大数据的智能变电站光纤故障预测方法，其特征在于，所述步骤s2中基于历史经验积累人工加入k-means聚类运算的光功率分布距离修正系数， 60~100%区间的修正系数为 0.8, 60%~20%区间的修正系数为0.9，0~20%修正系数为1.2。4.根据权利要求3所述的基于大数据的智能变电站光纤故障预测方法，其特征在于，所述k-means算法中中的样本点与模式质心欧式距离度量计算公式原为：其中x
zi
, y
zi 为模式i的质心位置;改用区间系数修正后样本点与模式i距离度量计算公式变为：。5.根据权利要求2所述的基于大数据的智能变电站光纤故障预测方法，其特征在于，进一步的，在系统运行过程中所收集的数据循环积累并更新到数据样本库中，并使用k-means聚类算法重新计算新数据的分类质心数据。6.根据权利要求2所述的基于大数据的智能变电站光纤故障预测方法，其特征在于，当设备的iec61850规约数据中包含网络延迟数据项时，将网络延迟数据作为新的数据向量维度参与分析计算。7.根据权利要求1-6任一所述的一种基于大数据的智能变电站光纤故障预测系统，其特征在于，包括应用单元、规约单元和硬件单元；所述应用单元包括光功率获取导出模块、光功率导入解析模块、大数据分析模块、设备健康检测模块；所述规约单元采用iec61850规约；所述硬件单元包括tcp、udp网络协议接口以及光纤接口。

技术总结
本发明涉及一种基于大数据的智能变电站光纤故障预测方法，包括以下步骤：步骤S1:获取设备实时运行数据，并基于设备连续运行时长、光功率数值、设备健康数据建立数据向量维度；步骤S2:使用K-Means聚类算法自动分类和人工参数调优，建立正常、偏离正常、故障三种设备运行模式集合；步骤S3:将设备实时运行数据代入K-Means聚类算法计算当前数据与模式的距离量度从而计算出当前设备与正常、偏离正常、故障模式的相似度。本发明实现通过设备的日常运行数据对故障的发生概率事先做估评和预警，无需将继电保护装置退出运行，无需将一次设备停电即可完成故障预测的目的。即可完成故障预测的目的。即可完成故障预测的目的。


技术研发人员：池新蔚 丁永宜 黄馗 张振兴 林圣 郑涛 邱平 齐铖洁 陈开宝
受保护的技术使用者：国网福建省电力有限公司检修分公司
技术研发日：2021.10.27
技术公布日：2022/2/18