CN118378151A - 一种智能变电站数据处理与控制系统及方法 - Google Patents
一种智能变电站数据处理与控制系统及方法 Download PDFInfo
- Publication number
- CN118378151A CN118378151A CN202410814549.8A CN202410814549A CN118378151A CN 118378151 A CN118378151 A CN 118378151A CN 202410814549 A CN202410814549 A CN 202410814549A CN 118378151 A CN118378151 A CN 118378151A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fault diagnosis
- data processing
- edge processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 78
- 230000005540 biological transmission Effects 0.000 claims abstract description 46
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005206 flow analysis Methods 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 241000764238 Isis Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于数据处理技术领域,具体提供一种智能变电站数据处理与控制系统及方法,所述方法包括:边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将数据预处理后传输至数据处理服务器;数据处理服务器内预设故障诊断模型,将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障的模型;并将输出的故障诊断结果传输给决策控制终端;决策控制终端根据获取到的故障诊断结果匹配与保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。减少了数据传输的延迟,提高了系统的实时性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种智能变电站数据处理与控制系统及方法。
背景技术
随着智能电网技术的飞速发展,智能变电站已逐渐成为电网体系中不可或缺的关键节点。智能变电站不仅承载着电能的传输和转换任务,更是电网智能化、自动化的重要体现。其数据处理与控制系统的性能直接关系到电网的稳定运行、供电质量和经济效益。
然而,传统的变电站数据处理系统普遍采用集中式架构,即所有数据通过通信网络汇集到中央服务器进行统一处理。这种架构在处理小规模、低频次数据时尚能应对,但在面对智能电网中大规模、高频率的数据采集时,就显得力不从心。数据传输延迟成为制约系统性能的重要因素,特别是在实时性要求极高的场景中,这种延迟可能导致重要信息的丢失或误判。此外,集中式架构还面临着处理效率低下的问题。当所有数据集中到中央服务器时,服务器的处理能力往往成为瓶颈,导致数据处理速度下降,无法满足智能电网对数据处理速度的需求。
传统的变电站数据处理系统由于数据传输延迟和处理效率低下,系统往往无法及时检测到设备故障,这导致了故障处理的不及时和不准确,给电网的稳定运行带来了极大隐患。
发明内容
传统的变电站数据处理与控制系统已无法满足现代智能电网对高效、可靠运行的需求,本发明提供一种智能变电站数据处理与控制系统。
第一方面,本发明技术方案提供一种智能变电站数据处理与控制系统,包括边缘处理终端、数据处理服务器和决策控制终端;边缘处理终端的数量为若干个;
边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
数据处理服务器内预设故障诊断模型,将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障的模型;并将输出的故障诊断结果传输给决策控制终端;
决策控制终端内预设有不同故障类型对应的保护处理方式;决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
作为本发明技术方案的进一步限定,边缘处理终端包括数据接收模块、数据预处理模块和数据传输模块;
数据接收模块实时接收通过传感器网络传输的、来自智能变电站内各设备的运行监测数据;
数据预处理模块对接收到的数据进行预处理,包括数据的降噪和归一化处理;
数据传输模块将预处理后的数据按照设定的协议传输至数据处理服务器。
作为本发明技术方案的进一步限定,数据预处理模块对数据降噪处理的过程如下:
将变电站设备运行监测数据划分成M个模态分量,通过计算第n个模态分量的能量密度和平均周期来计算模态分量噪声阈值;
D为采样密度; V为采样体积; k为幅值系数;为去除变电站设备运行监测数据内所含噪声所需时间,当模态分量噪声阈变化量大于设定阈值时,则第n-1 个模态分量为噪声,将模态分量噪声阈值替换第n-1 个模态分量对变电站设备运行监测数据模态分量进行重构,得到不含噪声的变电站设备运行监测数据。
作为本发明技术方案的进一步限定,数据处理服务器生成故障诊断模型的过程包括:获取变电站历史运行状态数据进行数据的预处理提取故障特征生成故障样本数据集;将故障样本数据集划分成训练数据集和测试数据集;采用C5.0决策树算法对训练数据集的故障特征的信息增益率进行计算,选择信息增益值最大的特征属性作为决策树模型的根结点划分属性;在根据根结点划分后产生的分支中,对每个分支节点采用与根节点划分相同的方法递归进行;当某一分支结点在父结点划分后的样本全部为同一类别,则停止继续划分并将该结点作为叶结点,生成训练好的决策树;将测试集数据输入训练好的决策树,决策树中的节点和边将每一条测试集数据划分成相应的类别,得到最终的故障诊断结果,通过分析测试集中诊断正确和错误的数据量,评估模型性能输出性能最优的模型为故障诊断模型。
作为本发明技术方案的进一步限定,数据处理服务器进行各故障特征的增益率计算过程如下:
计算故障样本数据集的经验熵H(R):
计算故障特征A对训练数据集的经验条件熵H(R|A):
计算信息增益:
计算故障特征A的熵:
计算故障特征A对样本数据集的信息增益率:
式中,R为故障样本数据集,|R|为样本的数量, F种故障类型样本为,||为每一类故障的样本数,k=1,2,…,F;F个||求和等于样本的数量|R|;根据故障特征的取值将R划分为N个子集,第i个子集为,||为的样本数量,为中属于故障类型的样本集合,||为的样本个数。
作为本发明技术方案的进一步限定,该系统还包括连接控制服务器,边缘处理终端向连接控制服务器发送注册信息,连接控制服务器基于注册信息的合法性下发连接凭证给边缘处理终端,同时将连接凭证发送给数据处理服务器进行存储;连接凭证中包括边缘处理终端的身份ID和认证信息;
边缘处理终端通过连接凭证发送与数据处理服务器的连接请求,数据处理服务器将接收到的连接凭证与存储的连接凭证进行比对,比对一致时,建立连接通道将请求响应信息发送给边缘处理终端;请求响应信息包括分配给边缘处理终端的通道信息,边缘处理终端基于接收到的请求响应信息返回连通信息给连接控制服务器,连接控制服务器基于连通信息将与数据处理服务器了建立连接的边缘处理终端的信息存储到连接列表。
作为本发明技术方案的进一步限定,连接控制服务器包括传输监测模块,在数据传输过程中实时监测数据的传输状态;根据传输状态信息判断存在边缘处理终端数据传输异常时,将与异常的边缘处理终端连接的传感器网络迁移至与异常的边缘处理终端最近的边缘处理终端;
当边缘处理终端恢复正常时,重新通过连接凭证发送与数据处理服务器的连接请求,与数据处理服务器重新建立连接后,连接控制服务器将对应的传感器网络迁回恢复正常的边缘处理终端。
作为本发明技术方案的进一步限定,接收迁移的边缘处理终端内部创建两个队列,获取对应的传感器网络传输的智能变电站数据,每个队列对应一个与数据处理服务器连接的通道。
作为本发明技术方案的进一步限定,传输监测模块持续监测边缘处理终端与数据处理服务器的交互过程,通过监听边缘处理终端数据总线进行协议合规性分析、流量分析、交互频次分析端口监控,进行异常监测。
第二方面,本发明技术方案提供一种智能变电站数据处理与控制方法,包括:
边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
数据处理服务器将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障类型的模型;并将输出的故障诊断结果传输给决策控制终端;
决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
作为本发明技术方案的进一步限定,边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据和状态信息;将采集到的数据传输至数据处理服务器的步骤具体包括:
处理终端包括数据接收模块、数据预处理模块和数据传输模块;
数据接收模块实时接收通过传感器网络传输的、来自智能变电站内各设备的运行监测数据;
数据预处理模块对接收到的数据进行预处理,包括数据的降噪和归一化处理;
数据传输模块将预处理后的数据按照设定的协议传输至数据处理服务器。
作为本发明技术方案的进一步限定,该方法还包括:
边缘处理终端向连接控制服务器发送注册信息,连接控制服务器基于注册信息的合法性下发连接凭证给边缘处理终端,同时将连接凭证发送给数据处理服务器进行存储;连接凭证中包括边缘处理终端的身份ID和认证信息;
边缘处理终端通过连接凭证发送与数据处理服务器的连接请求,数据处理服务器将接收到的连接凭证与存储的连接凭证进行比对,比对一致时,建立连接通道将请求响应信息发送给边缘处理终端;请求响应信息包括分配给边缘处理终端的通道信息,边缘处理终端基于接收到的请求响应信息返回连通信息给连接控制服务器,连接控制服务器基于连通信息将与数据处理服务器了建立连接的边缘处理终端的信息存储到连接列表。
作为本发明技术方案的进一步限定,在数据传输过程中实时监测数据的传输状态;根据传输状态信息判断存在边缘处理终端数据传输异常时,将与异常的边缘处理终端连接的传感器网络迁移至与异常的边缘处理终端最近的边缘处理终端;
当边缘处理终端恢复正常时,重新通过连接凭证发送与数据处理服务器的连接请求,与数据处理服务器重新建立连接后,连接控制服务器将对应的传感器网络迁回恢复正常的边缘处理终端。
作为本发明技术方案的进一步限定,接收迁移的边缘处理终端内部创建两个队列,获取对应的传感器网络传输的智能变电站数据,每个队列对应一个与数据处理服务器连接的通道。
作为本发明技术方案的进一步限定,传输监测模块持续监测边缘处理终端与数据处理服务器的交互过程,通过监听边缘处理终端数据总线进行协议合规性分析、流量分析、交互频次分析端口监控,进行异常监测。
从以上技术方案可以看出,本发明具有以下优点:通过边缘处理终端实时采集和处理变电站内各设备的运行数据,大大减少了数据传输的延迟,提高了系统的实时性和响应速度。同时,边缘处理终端的引入,使得数据预处理任务能够分散到多个终端上进行,避免了数据处理服务器的处理瓶颈,提高了系统的整体处理效率。
数据处理服务器内预设的故障诊断模型基于变电站历史的故障样本数据对决策树模型进行训练得到,能够准确预测变电站设备的故障情况。与传统的基于专家经验和人工判断的故障诊断方法相比,本发明具有更高的智能化水平和准确性。采用的基于数据驱动的故障诊断方法不依赖于特定的设备或系统,具有较强的通用性和可扩展性。通过更新故障诊断模型的训练数据,可以适应不同变电站的特定需求。决策控制终端根据故障诊断结果匹配相应的保护处理方式并生成控制指令,能够实现对故障设备的及时保护和预警。
通过连接控制服务器的引入,系统能够实现对边缘处理终端的注册和认证管理,确保只有合法的终端才能接入系统,提高了系统的安全性。同时,传输监测模块能够实时监测数据的传输状态,及时发现并处理异常情况,保证了数据传输的稳定性和可靠性。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的系统的示意性框图。
图2是本发明一个实施例的方法的示意性流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图1所示,本发明实施例提供一种智能变电站数据处理与控制系统,包括边缘处理终端、数据处理服务器和决策控制终端;边缘处理终端的数量为若干个;
包括边缘处理终端、数据处理服务器和决策控制终端;边缘处理终端的数量为若干个;
边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
数据处理服务器内预设故障诊断模型,将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障的模型;并将输出的故障诊断结果传输给决策控制终端;
决策控制终端内预设有不同故障类型对应的保护处理方式;决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
本发明实施例中,根据将实时获取的监测数据输入故障诊断模型进行诊断故障类型,故障的定位是通过提供监测数据的传感器网络中的采集设备的位置确定。故障预警信息根据故障诊断结果输出,预警信息包括故障类型以及故障位置,若匹配到保护处理方式时,预警信息还包括匹配到的保护处理方式。
本发明实施例中需要说明的是,决策控制终端会持续监听数据处理服务器发送的诊断结果。这些结果通常包括设备的运行状态故障类型。决策控制终端内设置有预设得到保护处理方式,故障保护措施大多集中在变电站设备的输入侧和输出侧,如设备输入侧的缺相保护、过流保护及过压保护,设备输出侧的过流保护、过压保护、及过温保护,预设的保护处理方式只能起到基础保护作用,决策控制终端还输出预警信息提示工作人员进行处理。
在接收到诊断结果后,决策控制终端生成相应的控制指令。这些指令可能包括设备的启停、参数调整、故障隔离等具体操作。决策控制终端会通过通信网络将控制指令发送至智能变电站内的相应设备。这个通信网络通常采用高速、可靠的有线或无线方式,以确保指令的实时传输和准确执行。在发送指令时,决策控制终端会采用加密和校验等技术手段,以确保指令的安全性和完整性。
在指令发送后,决策控制终端会持续监控设备的执行情况,并接收来自设备的反馈信息。这些信息包括指令的执行结果、设备的实时状态等关键数据。通过对这些数据的分析,决策控制终端实时掌握设备的运行状态和控制效果,为后续的操作提供重要参考。如果设备在执行指令过程中出现异常或故障,决策控制终端会立即启动应急处理机制。这包括重新发送指令、切换备用设备、启动故障隔离程序等操作,以确保电网的稳定运行和设备的安全可靠性。
在有些实施例中,边缘处理终端包括数据接收模块、数据预处理模块和数据传输模块;
数据接收模块实时接收通过传感器网络传输的、来自智能变电站内各设备的运行监测数据;
数据预处理模块对接收到的数据进行预处理,包括数据的降噪和归一化处理;本发明实施例中的归一化处理采用现有的归一化处理方式实现。
数据传输模块将预处理后的数据按照设定的协议传输至数据处理服务器。
在有些实施例中,数据预处理模块对数据降噪处理的过程如下:
将变电站设备运行监测数据划分成M个模态分量,通过计算第n个模态分量的能量密度和平均周期来计算模态分量噪声阈值;
D为采样密度; V为采样体积; k为幅值系数;为去除变电站设备运行监测数据内所含噪声所需时间,当模态分量噪声阈变化量大于设定阈值时,则第n-1 个模态分量为噪声,将模态分量噪声阈值替换第n-1 个模态分量对变电站设备运行监测数据模态分量进行重构,得到不含噪声的变电站设备运行监测数据。
在有些实施例中,数据处理服务器生成故障诊断模型的过程包括:获取变电站历史运行状态数据进行数据的预处理提取故障特征生成故障样本数据集;将故障样本数据集划分成训练数据集和测试数据集;采用C5.0决策树算法对训练数据集的故障特征的信息增益率进行计算,选择信息增益值最大的特征属性作为决策树模型的根结点划分属性;在根据根结点划分后产生的分支中,对每个分支节点采用与根节点划分相同的方法递归进行;当某一分支结点在父结点划分后的样本全部为同一类别,则停止继续划分并将该结点作为叶结点,生成训练好的决策树;将测试集数据输入训练好的决策树,决策树中的节点和边将每一条测试集数据划分成相应的类别,得到最终的故障诊断结果,通过分析测试集中诊断正确和错误的数据量,评估模型性能,评估参数值大于设定值的模型为最优模型。
在有些实施例中,数据处理服务器进行各故障特征的增益率计算过程如下:
计算故障样本数据集的经验熵H(R):
计算故障特征A对训练数据集的经验条件熵H(R|A):
计算信息增益:
计算故障特征A的熵:
计算故障特征A对样本数据集的信息增益率:
式中,R为故障样本数据集,|R|为样本的数量, F种故障类型样本为,||为每一类故障的样本数,k=1,2,…,F;F个||求和等于样本的数量|R|;根据故障特征的取值将R划分为N个子集,第i个子集为,||为的样本数量,为中属于故障类型的样本集合,||为的样本个数。
本发明实施例中,对模型进行评估的过程包括:计算准确率、召回率和F1分数;准确率Ass是模型正确分类的样本数与总样本数之间的比例;
召回率Rss衡量了所有真实正例中模型正确识别的比例;
F1分数是准确率和召回率的调和均值。
式中, TN表示真负例的数量,TP表示真正例的数量,FN表示假负例的数量,FP表示假正例的数量。本发明实施例中,模型的验证集的F1分数大于当前的F1分数的最大值的模型为故障诊断模型。
在有些实施例中,该系统还包括连接控制服务器,边缘处理终端向连接控制服务器发送注册信息,连接控制服务器基于注册信息的合法性下发连接凭证给边缘处理终端,同时将连接凭证发送给数据处理服务器进行存储;连接凭证中包括边缘处理终端的身份ID和认证信息;
边缘处理终端通过连接凭证发送与数据处理服务器的连接请求,数据处理服务器将接收到的连接凭证与存储的连接凭证进行比对,比对一致时,建立连接通道将请求响应信息发送给边缘处理终端;请求响应信息包括分配给边缘处理终端的通道信息,边缘处理终端基于接收到的请求响应信息返回连通信息给连接控制服务器,连接控制服务器基于连通信息将与数据处理服务器了建立连接的边缘处理终端的信息存储到连接列表。
在有些实施例中,连接控制服务器包括传输监测模块,在数据传输过程中实时监测数据的传输状态;根据传输状态信息判断存在边缘处理终端数据传输异常时,将与异常的边缘处理终端连接的传感器网络迁移至与异常的边缘处理终端最近的边缘处理终端;
当边缘处理终端恢复正常时,重新通过连接凭证发送与数据处理服务器的连接请求,与数据处理服务器重新建立连接后,连接控制服务器将对应的传感器网络迁回恢复正常的边缘处理终端。
在有些实施例中,接收迁移的边缘处理终端内部创建两个队列,获取对应的传感器网络传输的智能变电站数据,每个队列对应一个与数据处理服务器连接的通道。
在有些实施例中,传输监测模块持续监测边缘处理终端与数据处理服务器的交互过程,通过监听边缘处理终端数据总线进行协议合规性分析、流量分析、交互频次分析端口监控,进行异常监测。
如图2所示,本发明实施例提供一种智能变电站数据处理与控制方法,包括:
步骤1:边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
具体包括:
数据接收模块实时接收通过传感器网络传输的、来自智能变电站内各设备的运行监测数据;
数据预处理模块对接收到的数据进行预处理,包括数据的降噪和归一化处理;
数据传输模块将预处理后的数据按照设定的协议传输至数据处理服务器。
步骤2:数据处理服务器内预设故障诊断模型,将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障的模型;并将输出的故障诊断结果传输给决策控制终端。
步骤3:决策控制终端内预设有不同故障类型对应的保护处理方式;决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
在有些实施例中,数据预处理模块对数据降噪处理的过程如下:
将变电站设备运行监测数据划分成M个模态分量,通过计算第n个模态分量的能量密度和平均周期来计算模态分量噪声阈值;
D为采样密度; V为采样体积; k为幅值系数;为去除变电站设备运行监测数据内所含噪声所需时间,当模态分量噪声阈变化量大于设定阈值时,则第n-1 个模态分量为噪声,将模态分量噪声阈值替换第n-1 个模态分量对变电站设备运行监测数据模态分量进行重构,得到不含噪声的变电站设备运行监测数据。
在有些实施例中,数据处理服务器生成故障诊断模型的过程包括:获取变电站历史运行状态数据进行数据的预处理提取故障特征生成故障样本数据集;将故障样本数据集划分成训练数据集和测试数据集;采用C5.0决策树算法对训练数据集的故障特征的信息增益率进行计算,选择信息增益值最大的特征属性作为决策树模型的根结点划分属性;在根据根结点划分后产生的分支中,对每个分支节点采用与根节点划分相同的方法递归进行;当某一分支结点在父结点划分后的样本全部为同一类别,则停止继续划分并将该结点作为叶结点,生成训练好的决策树;将测试集数据输入训练好的决策树,决策树中的节点和边将每一条测试集数据划分成相应的类别,得到最终的故障诊断结果,通过分析测试集中诊断正确和错误的数据量,评估模型性能输出性能最优的模型为故障诊断模型。
在有些实施例中,数据处理服务器进行各故障特征的增益率计算过程如下:
计算故障样本数据集的经验熵H(R):
计算故障特征A对训练数据集的经验条件熵H(R|A):
计算信息增益:
计算故障特征A的熵:
计算故障特征A对样本数据集的信息增益率:
式中,R为故障样本数据集,|R|为样本的数量, F种故障类型样本为,||为每一类故障的样本数,k=1,2,…,F;F个||求和等于样本的数量|R|;根据故障特征的取值将R划分为N个子集,第i个子集为,||为的样本数量,为中属于故障类型的样本集合,||为的样本个数。
本发明实施例中,对模型进行评估的过程包括:
准确率Ass是模型正确分类的样本数与总样本数之间的比例;
召回率Rss衡量了所有真实正例中模型正确识别的比例;
F1分数是准确率和召回率的调和均值。
式中, TN表示真负例的数量,TP表示真正例的数量,FN表示假负例的数量,FP表示假正例的数量。本发明实施例中,模型的验证集的F1分数大于当前的F1分数的最大值的模型为故障诊断模型。
在有些实施例中,该方法还包括:
边缘处理终端向连接控制服务器发送注册信息,连接控制服务器基于注册信息的合法性下发连接凭证给边缘处理终端,同时将连接凭证发送给数据处理服务器进行存储;连接凭证中包括边缘处理终端的身份ID和认证信息;
边缘处理终端通过连接凭证发送与数据处理服务器的连接请求,数据处理服务器将接收到的连接凭证与存储的连接凭证进行比对,比对一致时,建立连接通道将请求响应信息发送给边缘处理终端;请求响应信息包括分配给边缘处理终端的通道信息,边缘处理终端基于接收到的请求响应信息返回连通信息给连接控制服务器,连接控制服务器基于连通信息将与数据处理服务器了建立连接的边缘处理终端的信息存储到连接列表。
在有些实施例中,在数据传输过程中实时监测数据的传输状态;根据传输状态信息判断存在边缘处理终端数据传输异常时,将与异常的边缘处理终端连接的传感器网络迁移至与异常的边缘处理终端最近的边缘处理终端;
当边缘处理终端恢复正常时,重新通过连接凭证发送与数据处理服务器的连接请求,与数据处理服务器重新建立连接后,连接控制服务器将对应的传感器网络迁回恢复正常的边缘处理终端。
在有些实施例中,接收迁移的边缘处理终端内部创建两个队列,获取对应的传感器网络传输的智能变电站数据,每个队列对应一个与数据处理服务器连接的通道。
在有些实施例中,传输监测模块持续监测边缘处理终端与数据处理服务器的交互过程,通过监听边缘处理终端数据总线进行协议合规性分析、流量分析、交互频次分析端口监控,进行异常监测。
在有些事实例中,生成决策树模型的方法还包括:对所述历史数据进行预处理和特征提取得到对应的训练数据集;根据训练数据集中特征的贡献度,计算所述训练数据集中每个特征的重要度;根据所述每个特征的重要度,选择目标特征类型;根据所述目标特征类型,将所述训练数据集划分为多个子训练数据集,并根据所述多个子训练数据集递归地构建决策树,直到满足停止条件,得到构建好的决策树;使用优化算法对决策树进行优化,生成训练好的所述决策树模型。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的智能变电站数据处理与控制方法的实施例,该方法与上述各实施例的智能变电站数据处理与控制系统属于同一个发明构思,在智能变电站数据处理与控制方法的实施例中未详尽描述的细节内容,可以参考上述智能变电站数据处理与控制系统的实施例。
智能变电站数据处理与控制系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解,智能变电站数据处理与控制方法各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种智能变电站数据处理与控制系统,其特征在于,包括边缘处理终端、数据处理服务器和决策控制终端;边缘处理终端的数量为若干个;
边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
数据处理服务器内预设故障诊断模型,将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障的模型;并将输出的故障诊断结果传输给决策控制终端;
决策控制终端内预设有不同故障类型对应的保护处理方式;决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
2.根据权利要求1所述的智能变电站数据处理与控制系统,其特征在于,边缘处理终端包括数据接收模块、数据预处理模块和数据传输模块;
数据接收模块实时接收通过传感器网络传输的、来自智能变电站内各设备的运行监测数据;
数据预处理模块对接收到的数据进行预处理,包括数据的降噪和归一化处理;
数据传输模块将预处理后的数据按照设定的协议传输至数据处理服务器。
3.根据权利要求2所述的智能变电站数据处理与控制系统,其特征在于,数据预处理模块对数据降噪处理的过程如下:
将变电站设备运行监测数据划分成M个模态分量,通过计算第n个模态分量的能量密度和平均周期来计算模态分量噪声阈值;
D为采样密度; V为采样体积; k为幅值系数; 为去除变电站设备运行监测数据内所含噪声所需时间,当模态分量噪声阈变化量大于设定阈值时,则第n-1 个模态分量为噪声,将模态分量噪声阈值替换第n-1 个模态分量对变电站设备运行监测数据模态分量进行重构,得到不含噪声的变电站设备运行监测数据。
4.根据权利要求3所述的智能变电站数据处理与控制系统,其特征在于,数据处理服务器生成故障诊断模型的过程包括:
获取变电站历史运行状态数据进行数据的预处理提取故障特征生成故障样本数据集;将故障样本数据集划分成训练数据集和测试数据集;
采用C5.0决策树算法对训练数据集的故障特征的信息增益率进行计算,选择信息增益值最大的特征属性作为决策树模型的根结点划分属性;在根据根结点划分后产生的分支中,对每个分支节点采用与根节点划分相同的方法递归进行;当某一分支结点在父结点划分后的样本全部为同一类别,则停止继续划分并将该结点作为叶结点,生成训练好的决策树;
将测试集数据输入训练好的决策树,决策树中的节点和边将每一条测试集数据划分成相应的类别,得到最终的故障诊断结果,通过分析测试集中诊断正确和错误的数据量,评估模型性能输出性能最优的模型为故障诊断模型。
5.根据权利要求4所述的智能变电站数据处理与控制系统,其特征在于,该系统还包括连接控制服务器,边缘处理终端向连接控制服务器发送注册信息,连接控制服务器基于注册信息的合法性下发连接凭证给边缘处理终端,同时将连接凭证发送给数据处理服务器进行存储;连接凭证中包括边缘处理终端的身份ID和认证信息;
边缘处理终端通过连接凭证发送与数据处理服务器的连接请求,数据处理服务器将接收到的连接凭证与存储的连接凭证进行比对,比对一致时,建立连接通道将请求响应信息发送给边缘处理终端;请求响应信息包括分配给边缘处理终端的通道信息,边缘处理终端基于接收到的请求响应信息返回连通信息给连接控制服务器,连接控制服务器基于连通信息将与数据处理服务器了建立连接的边缘处理终端的信息存储到连接列表。
6.根据权利要求5所述的智能变电站数据处理与控制系统,其特征在于,连接控制服务器包括传输监测模块,在数据传输过程中实时监测数据的传输状态;根据传输状态信息判断存在边缘处理终端数据传输异常时,将与异常的边缘处理终端连接的传感器网络迁移至与异常的边缘处理终端最近的边缘处理终端;
当边缘处理终端恢复正常时,重新通过连接凭证发送与数据处理服务器的连接请求,与数据处理服务器重新建立连接后,连接控制服务器将对应的传感器网络迁回恢复正常的边缘处理终端。
7.根据权利要求6所述的智能变电站数据处理与控制系统,其特征在于,接收迁移的边缘处理终端内部创建两个队列,获取对应的传感器网络传输的智能变电站数据,每个队列对应一个与数据处理服务器连接的通道。
8.根据权利要求7所述的智能变电站数据处理与控制系统,其特征在于,传输监测模块持续监测边缘处理终端与数据处理服务器的交互过程,通过监听边缘处理终端数据总线进行协议合规性分析、流量分析、交互频次分析端口监控,进行异常监测。
9.一种智能变电站数据处理与控制方法,其特征在于,包括:
边缘处理终端接收通过传感器网络实时采集智能变电站内各设备的运行数据;将采集到的数据预处理后传输至数据处理服务器;
数据处理服务器将到预处理后的数据输入故障诊断模型输出故障诊断结果;所述故障诊断模型为基于变电站历史的故障样本数据对决策树模型进行训练得到的用于预测变电站设备故障类型的模型;并将输出的故障诊断结果传输给决策控制终端;
决策控制终端根据获取到的故障诊断结果匹配与所述故障诊断结果对应的保护处理方式并生成控制指令发送到变电站内对应的设备,同时基于故障诊断结果输出故障预警信息。
10.根据权利要求9所述的智能变电站数据处理与控制方法,其特征在于,数据处理服务器生成故障诊断模型的步骤包括:
获取变电站历史运行状态数据进行数据的预处理提取故障特征生成故障样本数据集;将故障样本数据集划分成训练数据集和测试数据集;采用C5.0决策树算法对训练数据集的故障特征的信息增益率进行计算,选择信息增益值最大的特征属性作为决策树模型的根结点划分属性;在根据根结点划分后产生的分支中,对每个分支节点采用与根节点划分相同的方法递归进行;当某一分支结点在父结点划分后的样本全部为同一类别,则停止继续划分并将该结点作为叶结点,生成训练好的决策树;将测试集数据输入训练好的决策树,决策树中的节点和边将每一条测试集数据划分成相应的类别,得到最终的故障诊断结果,通过分析测试集中诊断正确和错误的数据量,评估模型性能输出性能最优的模型为故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410814549.8A CN118378151A (zh) | 2024-06-24 | 2024-06-24 | 一种智能变电站数据处理与控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410814549.8A CN118378151A (zh) | 2024-06-24 | 2024-06-24 | 一种智能变电站数据处理与控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118378151A true CN118378151A (zh) | 2024-07-23 |
Family
ID=91910863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410814549.8A Pending CN118378151A (zh) | 2024-06-24 | 2024-06-24 | 一种智能变电站数据处理与控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118378151A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245015A (zh) * | 2015-11-12 | 2016-01-13 | 国家电网公司 | 基于多agent的分层扩展电网故障信息处理系统及方法 |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN117639270A (zh) * | 2023-11-30 | 2024-03-01 | 安徽继远软件有限公司 | 一种基于数字孪生的变电站监控与运维系统 |
CN117639229A (zh) * | 2023-11-01 | 2024-03-01 | 国网山东省电力公司聊城供电公司 | 一种本地一体化智能预分析的输电线路监测装置及系统 |
-
2024
- 2024-06-24 CN CN202410814549.8A patent/CN118378151A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245015A (zh) * | 2015-11-12 | 2016-01-13 | 国家电网公司 | 基于多agent的分层扩展电网故障信息处理系统及方法 |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN117639229A (zh) * | 2023-11-01 | 2024-03-01 | 国网山东省电力公司聊城供电公司 | 一种本地一体化智能预分析的输电线路监测装置及系统 |
CN117639270A (zh) * | 2023-11-30 | 2024-03-01 | 安徽继远软件有限公司 | 一种基于数字孪生的变电站监控与运维系统 |
Non-Patent Citations (1)
Title |
---|
汪昀;丁永生;李自清;徐友刚;: "新型预装式变电站环境监测系统", 电气技术, no. 05, 15 May 2017 (2017-05-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757590B (zh) | 基于大数据分析的企业运营风险预警及管控系统 | |
CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN111092862B (zh) | 一种用于对电网终端通信流量异常进行检测的方法及系统 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN104486101A (zh) | 一种在线电力远动iec104传输异常检测方法 | |
CN118054845B (zh) | 一种分布式光网络终端故障监测方法及系统 | |
CN118213936A (zh) | 一种电压监视与电压保护系统及方法 | |
CN117833471A (zh) | 一种低压配电网智能监测巡检控制系统 | |
CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
CN110543658A (zh) | 基于大数据的电厂设备诊断方法 | |
CN115541965A (zh) | 智能网关及基于智能网关实现的设备监测方法、电子设备 | |
CN118378151A (zh) | 一种智能变电站数据处理与控制系统及方法 | |
CN117878931A (zh) | 一种用于新能源动力站的应急能源调度系统及方法 | |
CN118167563A (zh) | 基于scada的风机控制参数异常检测方法及系统 | |
CN117194171A (zh) | 一种异构云资源全景式异常检测系统 | |
CN117154945A (zh) | 基于云计算技术的变配电站智能监测方法 | |
CN113570473A (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN118534829B (zh) | 基于物联网的液流储能设备全生命周期监控方法和系统 | |
CN118432710B (zh) | 一种光纤通信链路故障上报的方法 | |
CN118263984B (zh) | 一种基于iec61850通讯的开关柜运行状态智能监控系统及方法 | |
CN118055038B (zh) | 一种变电站过程层网络异常识别方法及装置 | |
CN118468164B (zh) | 一种基于深度学习的大数据实时分析处理装置 | |
CN118643452A (zh) | 一种基于中控节点的智能电能调控系统 | |
CN118070985B (zh) | 一种预测配电自动化终端验收时间的方法 | |
CN118445170B (zh) | 一种基于物联网的智能防误系统 |
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 |