[發明專利]一種基于大數據與設備狀態異常跟蹤的電網狀態檢修方法

在審

• 申請號: 201710124497.1
• 申請日: 2017-03-03
• 公開（公告）號: CN107122879A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 李潔珊;王朝碩
• 申請（專利權）人: 廣東南方電力通信有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 葉志堅

1.一種基于大數據與設備狀態異常跟蹤的電網狀態檢修方法,其特征在于本方法利用k-means聚類算法對設備的相關大數據進行狀態異常檢出與跟蹤，利用設備狀態的異常情況來安排狀態檢修計劃；其中利用k-means聚類算法對設備的相關大數據進行狀態異常檢出與跟蹤，具體包括如下步驟：

步驟1、多狀態量數據的收集與整理；

收集并整理每條線路與每臺變壓器的狀態監測數據，線路狀態監測數據的狀態量包括包括覆冰、風速、污穢、環境溫度、負荷、服役時間、檢修次數等，變壓器狀態監測量包括負荷、環境溫度、服役時間、冷卻類型、油氣信息等；每條線路對應一個狀態向量x_i，假設有n段需要檢測異常狀態的線路，則形成線路樣本集合X＝{x₁,x₂,...,x_n}，每臺變壓器對應一個狀態向量y_i，假設有m臺需要檢測異常狀態的變壓器，則形成線路樣本集合Y＝{y₁,y₂,...,y_m}

步驟2、利用k-means聚類算法對線路多維數據進行聚類；

在實際運行過程中，由于輸變電設備的設備屬性、運行工況、環境的差異，對于設備的狀態監測數據，多維數據之間的關系難以用精確、統一的函數來描述；因此，本步驟采用k-means聚類算法對多維數據進行聚類，既能充分利用大數據來源廣、信息完備的優勢，又能將各參量間的復雜相關關系簡化；

給定線路樣本集合X＝{x₁,x₂,...,x_n}，k-means算法針對聚類所得簇劃分C＝{C₁,C₂,...,C_k}，最小化平方誤差

E=Σi=1kΣx∈Ci||x-μi||22---(1)]]>

其中μ_i是簇C_i的均值向量；

步驟2-1、從線路樣本集合X＝{x₁,x₂,...,x_n}中隨機選擇k個樣本作為初始線路均值向量；

步驟2-2、簇劃分的迭代過程；

步驟2-2-1、計算各線路樣本x_j與各線路均值向量μ_i的歐式距離

dji=||xj-μi||2=Σu=1n|xju-μiu|2---(2)]]>

根據距離最近的均值向量確定x_j的簇標記λ_j＝argmin_{i∈{1,2,...,k}}d_ji，將樣本x_j劃入相應的簇C_λj＝C_λj∪{x_j}；由此將所有樣本分類到各個簇中；

步驟2-2-2、計算每個簇新的線路均值向量

μi′=1|Ci|Σx∈Cix---(3)]]>

如果新計算的線路均值向量與當前線路均值向量相同，則保持當前線路均值向量不變，否則更新為新計算的線路均值向量；

步驟2-2-3、重復步驟重復2-2-1和2-2-2，直至每個均值向量都不再變更，迭代停止；最終形成k個簇，每個簇中包含狀態相近的線路樣本；

步驟3、重復步驟2，利用k-means聚類算法對變壓器多維數據進行聚類，最終形成得到變壓器均值向量η′；

步驟4、計算狀態異常設備的異常偏離度；

步驟4-1、找出包含線路樣本最多的簇，則一般情況下，該簇所含樣本為正常線路，記為正常簇，該簇均值向量記為基準狀態向量μ_B；找出包含變壓器樣本最多的簇，則一般情況下，該簇所含樣本為正常變壓器，記為正常簇，該簇均值向量記為基準狀態向量η_B；

步驟4-2、計算不在正常簇內的所有狀態異常的n_a條線路樣本的異常偏離度D₁與所有狀態異常的m_a臺變壓器樣本的異常偏離度D_t，即各設備狀態向量與基準狀態向量的歐氏距離；得到異常偏離度向量D＝{D₁，D_t}

Dli=||xi-μB||2=Σu=1n|xiu-μBu|2---(4)]]>

Dti=||yi-ηB||2=Σv=1m|yiv-ηBv|2---(5).]]>

2.根據權利要求1所述的一種基于大數據與設備狀態異常跟蹤的電網狀態檢修方法,其特征在于利用狀態異常檢出結果制定電網狀態檢修計劃，具體實現過程如下：

步驟1、針對狀態異常設備，對電網進行N-1安全校驗，分析各臺設備強迫停運退出運行時使電網損失的負荷P_i，其中i＝1,2,…,n_a+m_a；

步驟2、計算狀態異常設備的強迫停運風險R_i,其中D_i為D的元素；

R_i＝D_i×P_i (6)

對R_i進行從大到小排序，即可得到需要狀態異常設備的檢修先后順序；對于R_i為0時設備，通過比較其異常偏離度來確定檢修先后順序。